Unicode, UTF, ASCII, ANSI format farkları

470

Listeniz aşağıya gidiyor:

" Unicode " bir kodlama değildir, ancak maalesef pek çok belge bunu belirli bir sistemin varsayılan olarak hangi Unicode kodlamasını kullandığını belirtmek için kullanmaz. Windows ve Java'da bu genellikle UTF-16 anlamına gelir; diğer birçok yerde UTF-8 anlamına gelir. Düzgün olarak, Unicode herhangi bir özel kodlamaya değil soyut karakter kümesine atıfta bulunur.
UTF-16 : "kod birimi" başına 2 bayt. Bu, .NET'te ve genellikle Windows ve Java'da dizelerin yerel biçimidir. Temel Çok Dilli Düzlem (BMP) dışındaki değerler , vekil çiftler olarak kodlanır. Bunlar eskiden nispeten nadiren kullanılır, ancak şimdi birçok tüketici uygulamaları desteği emoji'yi amacıyla olmayan BMP karakterlerin farkında olması gerekir.
UTF-8 : Değişken uzunluk kodlaması, kod noktası başına 1-4 bayt. ASCII değerleri 1 bayt kullanılarak ASCII olarak kodlanır.
UTF-7 : Genellikle posta kodlaması için kullanılır. Muhtemelen ihtiyacınız olduğunu düşünüyorsanız ve posta yapmıyorsanız, yanılıyorsunuz. (Bu benim haber gruplarında vb. Gönderi yapan insanlar hakkındaki deneyimim - posta dışında, gerçekten hiç yaygın olarak kullanılmıyor.)
UTF-32 : Kod noktası başına 4 bayt kullanılarak sabit genişlikli kodlama. Bu çok verimli değil, BMP dışında hayatı kolaylaştırıyor. İsterseniz MiscUtil kütüphanemin bir Utf32Stringparçası olarak bir .NET sınıfım var. (Çok ayrıntılı bir şekilde test edilmedi, unutmayın.)
ASCII : Yalnızca alt 7 bit kullanılarak tek bayt kodlama. (Unicode kodu 0-127'yi gösterir.) Aksan vb. Yok.
ANSI: Sabit bir ANSI kodlaması yok - birçoğu var. Genellikle insanlar "ANSI" derken, "Sistemim için varsayılan yerel ayar / kod sayfası" anlamına gelir. Bu, Encoding.Default aracılığıyla elde edilir ve genellikle Windows-1252'dir, ancak diğer yerel ayarlar olabilir.

Unicode sayfamda daha fazlası ve Unicode sorunlarının hatalarını ayıklamak için ipuçları var .

Kodun diğer büyük kaynaktır unicode.org muhtemelen en kullanışlı biraz - Hiç aracılığıyla şekilde çalışır mümkün olacak daha fazla bilgi içeren kod çizelgeleri .

— Jon Skeet
kaynak

Microsoft'un 8 bit kod sayfalarına uygulandığında "ANSI" terimi yanlış bir adlandırmadır. ANSI standardizasyonu için sunulan taslaklara dayanıyorlardı, ancak ANSI'nin kendisi onları asla standartlaştırmadı. Windows-1252 (en yaygın olarak "ANSI" olarak adlandırılan kod sayfası) ISO 8859-1'e (Latin-1) benzer, ancak Windows-1252'nin 0x80..0x9F aralığında yazdırılabilir karakterler içermesi, burada ISO 8859-1 bu aralıkta kontrol karakterleri var. Unicode ayrıca bu aralıkta kontrol karakterlerine sahiptir. en.wikipedia.org/wiki/Windows_code_page

— Keith Thompson

@ jp2code: Yapmazdım - ancak "HTTP üzerinden web sunucusundan geri gönderilen içerik" ile "e-posta yoluyla gönderilen içerik" arasında ayrım yapmanız gerekir. E-postayı gönderen web sayfası içeriği değil - muhtemelen arkasındaki uygulama. Web içeriği en iyi UTF-8'de olacaktır; posta içeriği olabilir onun 'için ince bugünlerde UTF-8 önünde bulundurmak şüpheli rağmen, UTF-7 olmak.

— Jon Skeet

UTF-16, IMHO için, BMP dışındaki bir kod noktası vekil çiftler halinde 2 kod birimi (4 bayt) olarak kodlanacağı için "kod birimi başına 2 bayt" diyebilirim.

— Ludovic Kuty

UTF-16LE (.NET içinde) ve BE arasındaki ve BOM nosyonu arasındaki farkları özlüyor.

— Maarten Bodewes

@Andrew: Hayır, (genel) kodlama işareti yok. Windows 1252, Unicode BOM'yi temsil edemez ve her neyse, yalnızca bir bayt başına kodlama olduğu için mantıklı olmaz.

— Jon Skeet

Karakter kodlamalarına başlamak için bazı okumalar: Yazılımda Joel: Mutlak Minimum Her Yazılım Geliştiricisi Kesinlikle, Olumlu Unicode ve Karakter Kümeleri Hakkında Bilmelisiniz (Bahane Yok!)

Bu arada - ASP.NET'in bununla hiçbir ilgisi yok. Kodlamalar evrenseldir.

— Tomalak
kaynak

Makale yazıldıktan 6 yıl sonra burada cevaplandı. Gönderinin yazılmasından 8 yıl sonra okudum. 14 yıl sonra hala iyi bir okuma. Bu hayatımın yarısından fazlasıydı. İnanılmaz.

— Dave Knise