itasistenta blog

Unicode este un format definit de către Unicode Consortium pentru codificarea, stocarea şi interpretarea informaţiilor stocate ca text. Scopul acestui standard este să codifice toate caracterele din toate limbile Pământului. Unicode a fost lansat în 1991 şi este în continuă dezvoltare (în 2011 a apărut versiunea Unicode 6.0). Unicode aduce în plus faţă de Estended ASCII, o plajă foarte largă de posibilităţi de codificare a tuturor caracterelor şi semnelor existente, precum şi spaţii de rezervă pentru dezvoltări ulterioare. Deoarece poate acoperi toate seturile de caractere la nivel mondial şi permite adaptarea aplicaţiilor software la diverse limbi, diferenţe regionale şi cerinţe tehnice ale pieţelor, standardul Unicode a început să fie adoptat pe scară din ce în ce mai largă de producători de software, în sisteme de operare, baze de date şi schimb de informaţii pe Internet.

Unicode poate fi implementat prin diferite codificări ale caracterelor: UCS-2 (învechită), UTF-16 (extinde posibilităţile codificării UCS-2) şi UTF-8, cea mai răspândită codificare la ora actuală, devenită cerinţă obligatorie în implementarea protocoalelor Internet şi recomandată ca metodă de codificare implicită în sisteme de operare, limbaje de programare şi aplicaţii software.

În UTF-8 codificarea caracterelor se face pe un număr variabil de octeţi, de la 1 octet pentru caracterele ASCII (ale căror coduri în UTF-8 se păstrează pentru a asigura continuitatea) până la 4 octeţi pentru limbi cu număr foarte mare de caractere (de exemplu, limba chineză).

În fereastra Symbol este posibilă navigarea printre fonturile instalate în sistem şi, dacă se alege setul de caractere Unicode, se pot filtra caracterele după subseturile existente în fontul ales. Subseturile sunt grupuri de simboluri similare, cum ar fi caractere specifice limbii, semne de punctuaţie, forme geometrice, simboluri matematice, grafice, tehnice etc.

Subseturi Unicode

Simbolurile disponibile în subseturile implementate în (normal text):

Basic Latin	Latin-1	Latin Extended A
Latin Extended A	Latin Extended B	IPA Extensions
Spacing Modifiers Letters	Combining Diacritical Marks	Basic Greek
Cyrillic	Hebrew Extended	Basic Hebrew
Basic Arabic	Arabic Extended	Arabic Extended
Latin Extended Additional	General Punctuation	Superscript and Subscripts
Currency Symbols	Letterlike Symbols	Number Forms
Arrows	Mathematical Operators	Miscellaneous Technical
Box Drawing	Block Elements	Geometric Shapes
Miscellaneous Dingbats	Private Use Area	Alphabetic Presentation Forms
Arabic Presentation Forms A	Arabic Presentation Forms A	Arabic Presentation Forms B
Arabic Presentation Forms B

Pentru codificarea caracterelor în standardul ASCII vezi capitolul Standardul ASCII pentru codificarea caracterelor.

ASCII (American Standard Code for Information Interchange) este un sistem de codificare a caracterelor bazat pe ordinea din alfabetul englez. Setul de caractere ASCII (codificat pe 7 biţi) conţine 128 de caractere: litere mari şi mici, cifre, elemente de punctuaţie şi coduri de control. Fiecare caracter este reprezentat de un număr (“codul ASCII“), prin intermediul căruia sistemele de calcul şi alte echipamente de comunicaţie (de exemplu dispozitivele mobile) stochează şi prelucrează informaţia de tip text.

Primele 32 coduri (cu valorile zecimale 0 – 31) sunt rezervate pentru caractere de control (caractere neprintabile, cu rol în controlul dispozitivelor care folosesc text – de exemplu, imprimantele – sau în furnizarea unor metainformaţii. Un alt caracter de control este cel cu codul 127 (Delete).

Termenul Extended ASCII descrie extensiile adăugate standardului ASCII din nevoia de a acoperi mai multe caractere, specifice şi altor limbi. Extended ASCII codifică caracterele pe 8 biţi, adăugând astfel încă 128 de posibile coduri pentru caractere din alte limbi, pe lângă cele 128 de coduri ale standardului ASCII. Astfel, Extended ASCII ocupă toţi cei 8 biţi ai unui octet, unitate de măsură cu care operează sistemele de calcul, şi este reprezentativ pentru un număr relativ suficient de caractere internaţionale, deşi nu acoperă integral toate alfabetele existente.

Extensiile standardului ASCII sunt descrise de standardele ISO 8859-x:

• ISO 8859-1 (Latin1) – limbile indo-europene apusene
• ISO 8859-2 (Latin2) – limbile indo-europene răsăritene (nu şi limba română)
• ISO 8859-3 (Latin3) – limbile esperanto şi malteză (şi, în trecut, şi limba turcă)
• ISO 8859-4 (Latin4) – limbile baltice şi laponă
• ISO 8859-5 (Cyrillic) – limbile bulgară, bielorusă, macedoneană, rusă, sârbă (şi, în trecut, şi limba ucrainiană)
• ISO 8859-6 (Arabic) – limba arabă (fără caracterele suplimentare pentru farsi şi urdu)
• ISO 8859-7 (Greek) – limba greacă modernă
• ISO 8859-8 (Hebrew) – limba ebraică
• ISO 8859-9 (Latin5) – înlocuieşte literele folosite numai în Islanda cu cele mai folosite în limba turcă
• ISO 8859-10 (Latin6) – reorganizează formatul Latin4, pentru a fi mai util şi pentru a putea acoperi întreaga regiune nordică
• ISO 8859-11 (Thai) – limba thailandeză
• ISO 8859-12 – nu se foloseşte
• ISO 8859-13 (Baltic Rim) – reorganizează şi îmbunătăţeşte formatele ISO 8859-4 şi 8859-10
• ISO 8859-14 (Latin8 sau Celtic) – limbile galeză, gaelică şi bretonă
• ISO 8859-15 (Latin9, uneori, dar neoficial, Latin0) – reorganizează formatul Latin1, adăugând simbolul pentru euro (€)
• ISO 8859-16 (South-Eastern European) – limbile albaneză, croată, maghiară, poloneză, română şi slovenă, dar şi franceză, italiană şi gaelică (ortografie nouă), prima variantă publicată în 2001.

ASCII control characters (character code 0-31), ASCII printable characters (character code 32-127), The extended ASCII codes (character code 128-255) – ISO 8859-1, The extended ASCII codes (character code 160-255) – ISO 8859-16 (Romania)

ISO/IEC 8859-1

ISO/IEC 8859-16

Comparison ISO/IEC 8859 standards family

Pentru codificarea caracterelor în standardul Unicode vezi capitolul Standardul Unicode pentru codificarea caracterelor.