看板 Soft_Job
寫嵌入式軟體,離人類世界遙遠,我只知道英文字ASCII code是1byte 小時候用倚天中文,BIG5編碼每個字2byte UNICODE似乎是2byte,可以表示全世界的文字,矇矇懂懂 閱讀Joel On Software的第四章 https://www.books.com.tw/products/0010467041 這篇文章也可以在這裡看到 https://www.cnblogs.com/AlphaAI/articles/3960296.html ---- 原來UNICODE有個Code Point的概念 制定(橋)出這張code point的前輩,真的是偉大的成就 人類終於有一個共同的表示法,紀錄每個字 所以用BIG5編碼的文件,可以讀入以後,"DECODE"成上述的編碼(我覺得是UCS2) 在wchar_t的domain (u16)做字串處理 最後儲存的時候,再"ENCODE"成其他格式,例如UTF-8 之前用Python的UNICODE感覺encode/decode難以理解 現在總算搞懂UTF-8是什麼,整理一份note記下來 https://lihgong.blogspot.com/2023/11/utf-8-unicode-utf-32-big5.html ---- patch, thanks to ybite, 更新UTF16 surrogate pair的資訊 這東西的概念是這樣 1. UNICODE 0xD800 ~ 0xDFFF大家講好不放東西;所以出現這種字元必定有詐! 一般狀態是 2byte代表一個字,這種狀態變成4byte代表一個字 很多地方都有類似的招數 2. 要把UNICODE的U+10000 ~ U+10FFFF編進去,先把數值扣掉0x10000 看看他在16bit定址範圍外的offset多少,這裡的值域是0xFFFFF, 20bit 3. 編碼規則如下 byte0 = offset[19:10] + 0xD800 byte1 = offset[9:0] + 0xDC00 4. 這種編碼結構好處是self-synchronization,因為開頭和結尾的值域固定下來了 如果中間有小錯誤也能偵測出來 缺點就LIB解析時,還有些額外的邏輯要弄,還真的有點麻煩; 不過比起用4byte字串的記憶體開銷相比,應該勉勉強強能接受; 反正現在電腦效能過剩,小事啦! ---- 後記3 感謝 *Dracarys 推薦的兩篇文章,過了20Y,和Joel當初的文章互相輝映! * https://tonsky.me/blog/emoji/ * https://tonsky.me/blog/unicode/ 原來UNICODE有Extended grapheme cluster A上面多帶一個圈,可以是U+00C5或是U+0041 U+030A 我看過芬蘭人的鍵盤,他們能打出某些特殊的上下標,亞洲人的我難以想像 所以A多帶個圈(兩個code point,符合我看他們鍵盤的感覺) 或是一個code point直接代表這個字,反應人類描述文字這件事,自帶的複雜度 直觀來看,所有文字都可以用UTF-32來表示?還是不行,有上述那些複雜的cases 所以作者說,處理UNICODE請用LIB,而且要按時更新的LIB(每年都會修訂) 以我來說,就是體認UNICODE有自帶的複雜度,不是像C的字串那麼簡單的東西 這兩篇文章確實看完就打通任督二脈,非常感謝 ---- 後紀4 關於UNICODE BOM (byte-order mark) 有個u16的數值,0xFE FF 這個數值用little-endian表示(大多數的電腦),在記憶體裡會是0xFF 0xFE 如果用big-endian表示,會是0xFE 0xFF 一份文件用UTF-16儲存,編輯器打開,不知道這份文件的endian 假如開頭是0xFF 0xFE,那就是little-endian 假如開頭是0xFE 0xFF,那就是big-endian 我覺得上面的例子很爛,因為FE/FF實在長得太相似 寫AA/BB可能更容易看清楚,不過標準就長這樣... 具體的資料可以看下面WIKI連結,有標準的BOM定義 https://reurl.cc/GKYxrW 另外更general的問題是,這兩種endian的好與壞,可以參考下面文章 https://hackmd.io/@chenishi/BJRaOrGCX?type=view 網路傳輸裡,先傳送big-endian天生是比較順的 比如有筆u32資料0xaabbccdd,傳輸協定規定從MSB to LSB做CRC 假如是little-endian的機器,那就得這樣灌入CRC 注意陣列的順序是倒置的... data[3](0xaa) -> data[2](0xbb) -> data[1](0xcc) -> data[0](0xdd) 如果這台機器是big-endian,這樣灌入CRC就很順了 data[0](0xaa) -> data[1](0xbb) -> data[2](0xcc) -> data[3](0xdd) 操起for-loop,big-endian就是順(直覺)很多 for(i=0; i<4; i++) { calc_crc(data[i]) } -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.220.100.151 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1699248406.A.A68.html
wsad50232: 熱心推 11/06 16:42
now99: 推 11/06 23:40
wuyiulin: 有料分享就推 11/06 23:41
saladim: 推 當初直覺該encode怎麼叫作decode 傻了一陣子 ORZ 11/07 02:21
geoege022702: 推推推 11/07 11:40
Chricey: 我有在用UC2,感覺效果還不錯欸! 11/07 23:19
ToastBen: 推 11/07 15:49
ybite: Unicode 目前已經快破15萬字 無法塞進2byte了 11/07 17:32
ybite: 因此UTF-16定義Surrogate Pair來解決(一個字32bit) 11/07 17:41
ybite: Python 2的時候str是ASCII 後來新增了unicode 型態 11/07 17:48
Kroner: 本魯關節痛始祖,葡萄糖胺保證沒用,乖乖吃UC2 11/08 00:21
ybite: Python 3 其中一個大改就是str 一定是一串Unicode文字 11/07 17:48
ybite: (unicode扶正str)需要轉成特定編碼再.encode('utf-8') 11/07 17:49
ybite: encode出來的是bytes 11/07 17:50
ybite: 然後傳統編碼 如big5 就是要建一張大表對應Unicode 11/07 17:52
Chricey: 關節痛就老人病 11/08 09:13
ybite: 也由於各種歷史原因 其實這個對應並沒有很完全做到1:1 11/07 17:52
ybite: 如PTT的Big5日文 後來很長時間是用由but維護的「社群標準」 11/07 17:55
ybite: Unicode補完計畫來當對應表 11/07 17:55
ybite: 直到後來PTT內建UTF-8編碼輸出模式後才解決很多問題 11/07 17:56
Kroner: 吃過關節保健品,都沒什麼效果,有推薦的牌子嗎? 11/09 11:21
ybite: 每個語言或每個作業系統都有自己內部存Unicode的規格 11/07 17:57
ybite: Python是PyUnicodeObject(PEP-393) 11/07 18:02
ybite: 我還記得當年Python 2處理編碼真的是地獄 11/07 18:03
ybite: Unicode補完計畫最早是直接patch Windows 的cp950對應表 11/07 18:09
Chricey: 不動對關節最好,拎北都躺著 11/12 06:55
ybite: 後來UTF-8變成壓倒性主流後 剩下PTT內部資料轉換的情境了 11/07 18:09
MoonCode: 樓上好猛 11/07 22:12
superpandal: 喔 11/07 23:04
※ 編輯: lihgong (122.116.164.102 臺灣), 11/07/2023 23:18:41
lihgong: 感謝*ybite,我把Surrogate Pair資訊也補上 11/07 23:19
Chricey: 關節痛這種東西靠UC2就對了 11/19 12:36
Bencrie: 啊不過同一個漢字不同寫法用同一個 code point 問題無解 11/07 23:41
Bencrie: 然後難的地方在複雜語系一堆規則。 11/07 23:45
labbat: 放棄UTF-16吧,投入可變字串長度UTF-8的世界 11/07 23:53
zzLin: 好文,學習了 11/08 00:21
Kroner: 關節痛有沒有辦法完全根治啊?UC2聽起來像萬靈丹 11/08 00:21
eopXD: 推 11/08 05:13
Dracarys: 再看完這兩篇就打通任督二脈了 11/08 09:13
Dracarys: https://tonsky.me/blog/emoji/ 11/08 09:13
Dracarys: https://tonsky.me/blog/unicode/ 11/08 09:13
Chricey: 想問一下有沒有關節痛的運動禁忌?怕動得更嚴重… 11/08 09:13
jheli: 優質文,推推 11/08 09:28
Mtcat: 1 11/08 14:40
yuinami: 感謝分享 11/08 22:33
askacis: 你應該是寫MCU之類的吧,Embedded Linux也是會碰Unicode 11/09 11:21
Kroner: 關節痛這種東西靠UC2就對了 11/09 11:21
lihgong: 感謝 *Dracarys 我把您推薦的文章也補在後記上,非常讚 11/10 23:48
※ 編輯: lihgong (122.116.164.102 臺灣), 11/10/2023 23:59:30
kikilalagirl: 看能不能再補充 BOM 的資訊? 系統常遇到這類問題. 11/11 00:29
※ 編輯: lihgong (122.116.164.102 臺灣), 11/11/2023 09:51:55
lihgong: 感謝 *kikilalagirl 我也順便搞清楚BOM和endian的優缺 11/11 09:53
art1: 之前碰的傳輸協定是小端傳輸,CRC 也是從小端開始 11/12 06:55
Kroner: 看到有人提到關節痛,我就想到有一篇UC2推薦的文章 11/12 06:55
yiche: 推推 最近接觸到bom utf-8 上網看了一下是什麼格式 就看到 11/12 09:26
yiche: 原po撰文了 11/12 09:26
kentyeh: 大推Dracarys的兩篇文章,不過閱讀順序應該反過來 11/12 22:57
shibin: 推 11/19 12:36
Chricey: UC2是啥東西?求解釋啦! 11/19 12:36
Falldog: 推 12/07 08:48