UTF-8 üzerinden ASCII kodlamasını seçmenin avantajı nedir?

ASCII'deki tüm karakterler UTF-8 kullanılarak, depolamada bir artış olmadan kodlanabilir (her ikisi de depolama baytı gerektirir).

UTF-8, "ASCII karakterleri" nin ötesinde karakter desteğinin avantajına sahiptir. Bu durumda, neden hiç UTF-8 üzerinden ASCII kodlamasını seçelim?

UTF-8 yerine ASCII'yi seçeceğimizde bir kullanım durumu var mı?

Bazı durumlarda, tek tek karakterlere erişimi hızlandırabilir. str='ABC'UTF8'de ve ASCII'de kodlanmış bir dize düşünün (ve dilin / derleyici / veritabanının kodlama hakkında bildiğini varsayarak)

CBu diziden üçüncü ( ) karakterine erişmek için, birçok programlama dilinde yer alan dizi erişim operatörünü kullanarak, böyle bir şey yaparsınız c = str[2].

Şimdi, eğer dizge ASCII kodlu ise, tek yapmamız gereken dizeden üçüncü byte almaktır.

Ancak, dize UTF-8 kodlu ise, önce ilk karakterin bir veya iki baytlık karakter olup olmadığını kontrol etmeliyiz, sonra ikinci karakterde aynı kontrolü yapmalıyız, ancak o zaman üçüncü karaktere erişebiliriz. Performanstaki fark daha büyük, daha uzun dizge olacaktır.

Bu, örneğin bir UTF-8 kodlu VARCHAR'dan sonra yerleştirilen bir sütunun başlangıcını bulmak için bazı veritabanı motorlarında örneğin, VARCHAR alanında ne kadar karakter olduğunu kontrol etmek zorunda değil, aynı zamanda her birinin kullandığı birçok bayt.

UTF-8'in yalnızca US-ASCII (veya ISO 646) alt kümesini kullanacaksanız, biri veya diğeri için gerçek bir avantaj yoktur; Aslında, her şey aynı şekilde kodlanmıştır.

US-ASCII karakter kümesinin ötesine geçecek ve (örneğin) tipik batı Avrupa dillerinde kullanılan aksan, umlaut vb. Karakterleri kullanacaksanız, o zaman bir fark var - bunların çoğu hala ISO 8859'da tek bir bayt ile kodlanır, ancak UTF-8'de kodlandığında iki veya daha fazla bayt gerektirir. Tabii ki, dezavantajları da vardır: ISO 8859, kullanılan kodlamayı belirtmek için bazı bant dışı araçlar kullanmanızı gerektirir ve yalnızca birini desteklerbir anda bu dillerin. Örneğin, Kiril (Rusça, Beyaz Rusya, vb.) Alfabesinin tüm karakterlerini yalnızca bir bayt parçasını kullanarak kodlayabilirsiniz, ancak bunları Fransızca veya İspanyolca karakterlerle karıştırmanız gerekirse / karıştırmanız gerekirse (US-ASCII’de olanlar hariç) / ISO 646 alt kümesi) Şansınız yaver gitti - bunu yapmak için karakter setlerini tamamen değiştirmeniz gerekiyor.

ISO 8859 gerçekten sadece Avrupa alfabeleri için kullanışlıdır. Çoğu Çince, Japonca, Korece, Arap vb. Alfabelerde kullanılan alfabelerin çoğunu desteklemek için, tamamen farklı bir kodlama kullanmanız gerekir. Bunlardan bazıları (örneğin, Japonca için Shift JIS) başa çıkmak için mutlak bir acı. Onları desteklemek isteyeceğiniz herhangi bir şans varsa, Unicode'u kullanmanın yararı olacağını düşünüyorum.

ANSI birçok konuda olabilir, çoğu bu konuda 8 bit karakter kümeleridir (Windows altında kod 1252 gibi).

Belki de 7-bit ve uygun bir UTF-8 alt kümesi olan ASCII'yi düşünüyordunuz. Herhangi bir geçerli ASCII akışı da geçerli bir UTF-8 akışıdır.

Eğer 8 bitlik karakter kümelerini düşünüyor olsaydınız, çok önemli bir avantaj, tüm gösterilebilir karakterlerin tam olarak 8 bittiği, UTF-8'de 24 bite kadar çıkabileceğidir.

Evet, hala ASCII'nin mantıklı olduğu bazı durumlar var: dosya formatları ve ağ protokolleri . Özellikle, nerede kullanım için:

• Bilgisayar programları tarafından üretilen ve tüketilen, hiçbir zaman son kullanıcılara sunulmayan verileriniz var;
• Ancak, programcıların, okuma ve hata ayıklama kolaylığı için okuyabildikleri için faydalıdır.

Kodlama işleminiz olarak ASCII kullanarak, en azından bir miktar insan tarafından okunabilirliği koruyarak multi-byte kodlamanın karmaşıklığından kaçınırsınız.

Birkaç örnek:

• HTTP , sekizli sekansları olarak tanımlanmış bir ağ protokolüdür, ancak bunların "GET", "POST", "Kabul Etme Dili" ve "Kabul Etme Dili" ve yakında.
• PNG resim formatında öbek tipleri dört oktet oluşmaktadır, ancak bir PNG kodlayıcı veya kod çözücüye programladığınızı eğer kullanışlı IDAT"görüntü verilerini" anlamına gelir ve PLTE"paleti" anlamına gelir.

Elbette veri gerçekten dikkatli olmak gerekir değil o (URL'ler durumunda olduğu gibi) görülebilir, kullanıcılar haklı olarak veri olmasını bekliyoruz edeceğiz olmak biter çünkü eğer, son kullanıcılara sunulacaktır Bir dilde okuyabilirler.

Öncelikle: başlığınız / d ANSI kullanıyor, metinde ASCII'ye atıfta bulunuyorsunuz. Lütfen ANSI'nin ASCII'ye eşit olmadığını unutmayın. ANSI, ASCII setini içerir. Ancak ASCII seti ilk 128 sayısal değerle (0 - 127) sınırlıdır.

Tüm verileriniz ASCII (7 bit) ile sınırlandırılmışsa, hem ANSI hem de UTF-8 tam ASCII setini anlamadığından UTF-8, ANSI veya ASCII kullanmanız önemli değildir. Başka bir deyişle: 0'a kadar olan ve 127'yi kapsayan sayısal değerler ASCII, ANSI ve UTF-8'de aynı karakterleri temsil eder.

ASCII setinin dışındaki karakterlere ihtiyacınız varsa, bir kodlama seçmeniz gerekir. ANSI kullanabilirsiniz, ancak daha sonra tüm farklı kod sayfalarının sorunlarıyla karşılaşırsınız. A makinesinde bir dosya oluşturun ve B makinesinde okuyun, bu makineler farklı kod sayfalarını kullanmak için ayarlandıysa komik görünümlü metinler üretebilir / üretebilir, çünkü nnn sayısal değeri bu kod sayfalarındaki farklı karakterleri temsil eder.

Bu "kod sayfası cehennemi" Unicode standardının tanımlanmasının nedenidir . UTF-8 sadece bu standardın tek bir kodlamasıdır, çok daha fazlası vardır. UTF-16, Windows için yerel kodlama olduğu için en yaygın kullanılanıdır.

Öyleyse, ASCII setinin 128 karakterinin ötesindeki herhangi bir şeyi desteklemeniz gerekiyorsa, tavsiyem UTF-8 ile gitmektir . Bu şekilde farketmez ve kullanıcılarınızın sistemlerini hangi kod sayfasında kurdukları konusunda endişelenmenize gerek yoktur.