UTF-16 (ang. 16-bit Unicode Transformation Format) – jeden ze sposobów kodowania znaków standardu Unicode. Sposób ten wymaga użycia szesnastobitowych słów, przy czym dla znaków na pozycjach poniżej U+10000 (dziesiętnie 65536), a dokładnie w zakresach od U+0000 do U+D7FF i U+E000 do U+FFFF, używane jest jedno słowo, którego wartość odpowiada dokładnie pozycji znaku w standardzie.
W systemach Windows kodowanie to jest najczęściej używane do wewnętrznego przechowywania komunikatów Unicode[1].
Kodowanie na 4 bajtach
[edytuj | edytuj kod]Dla znaków z wyższych pozycji używa się dwóch słów, pierwsze z nich należy do przedziału od U+D800 do U+DBFF, drugie natomiast od U+DC00 do U+DFFF. Oznacza to, iż znaki z zakresu od U+10000 do U+10FFFF kodowane są w następujący sposób:
- od numeru znaku odejmowane jest 0x10000, tak aby pozostała 20-bitowa liczba z zakresu od 0 do 0xFFFFF;
- wartość tworzona przez najstarsze 10 bitów tej liczby jest dodawana do 0xD800 i otrzymuje się bardziej znaczące 16-bitowe słowo z zakresu od 0xD800 do 0xDBFF;
- pozostałe 10 młodszych bitów jest dodawane do 0xDC00, co daje mniej znaczące 16-bitowe słowo z zakresu od 0xDC00 do 0xDFFF.
Kodowanie to przedstawia poniższa tabela:
KOD | DC00 | DC01 | … | DFFF |
---|---|---|---|---|
D800 | 010000 | 010001 | … | 0103FF |
D801 | 010400 | 010401 | … | 0107FF |
⋮ | ⋮ | ⋮ | ⋱ | ⋮ |
DBFF | 10FC00 | 10FC01 | … | 10FFFF |
Na przykład znak o kodzie U+10000 zostanie zamieniony na sekwencję 0xD800 0xDC00, zaś znak o kodzie 0x10FFFF (górna granica unikodu) na 0xDBFF 0xDFFF. W standardzie Unicode pozycjom z przedziału od U+D800 do U+DFFF nie są przypisane żadne znaki, zatem każda sekwencja słów kodowych jest interpretowana jednoznacznie.
Przykład
[edytuj | edytuj kod]- Odjęcie
0x10000
od0x10437
daje w wyniku0x00437
, czyli binarnie0000 0000 0100 0011 0111
. - Rozdzielenie powstałego ciągu 20 bitów na dwie grupy, po 10 bitów każda
0000000001
0000110111
. - Dodanie
0xD800
do pierwszej wartości:0xD800
+0x0001
=0xD801
. - Dodanie
0xDC00
do drugiej wartości:0xDC00
+0x0037
=0xDC37
. - W ten sposób rezultatem są cztery bajty w postaci
D8 01 DC 37
.
Poniższa tabela pozwala zrozumieć sposób kodowana różnej długości numerów kodowych Unicode w UTF-16. Dodatkowe bity dodane przez kodowanie pokazane są na czarno
Unicode | Unicode binarnie | UTF-16 binarnie | UTF-16 szesnastkowo |
UTF-16 dla Big-endian |
UTF-16 dla Little-endian | |
---|---|---|---|---|---|---|
$ | U+0024 | 00000000 00100100
|
00000000 00100100
|
0024
|
00 24
|
24 00
|
€ | U+20AC | 00100000 10101100
|
00100000 10101100
|
20AC
|
20 AC
|
AC 20
|
𐐷 | U+10437 | 0001 00000100 00110111
|
11011000 00000001 11011100 00110111
|
D801 DC37
|
D8 01 DC 37
|
01 D8 37 DC
|
𤭢 | U+24B62 | 0010 01001011 01100010
|
11011000 01010010 11011111 01100010
|
D852 DF62
|
D8 52 DF 62
|
52 D8 62 DF
|
Zobacz też
[edytuj | edytuj kod]Przypisy
[edytuj | edytuj kod]Linki zewnętrzne
[edytuj | edytuj kod]- P. Hoffman , F. Yergeau , UTF-16, an encoding of ISO 10646, RFC 2781, IETF, luty 2000, DOI: 10.17487/RFC2781, ISSN 2070-1721, OCLC 943595667 (ang.).