[心得] UNICODE

[lihgong ( )]

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
推 wsad50232: 熱心推
推 now99: 推
推 wuyiulin: 有料分享就推
推 saladim: 推 當初直覺該encode怎麼叫作decode 傻了一陣子 ORZ
推 geoege022702: 推推推
推 ToastBen: 推
→ ybite: Unicode 目前已經快破15萬字 無法塞進2byte了
→ ybite: 因此UTF-16定義Surrogate Pair來解決（一個字32bit）
→ ybite: Python 2的時候str是ASCII 後來新增了unicode 型態
→ ybite: Python 3 其中一個大改就是str 一定是一串Unicode文字
→ ybite: （unicode扶正str）需要轉成特定編碼再.encode('utf-8')
→ ybite: encode出來的是bytes
→ ybite: 然後傳統編碼 如big5 就是要建一張大表對應Unicode
→ 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
→ ybite: 如PTT的Big5日文 後來很長時間是用由but維護的「社群標準」
→ ybite: Unicode補完計畫來當對應表
→ ybite: 直到後來PTT內建UTF-8編碼輸出模式後才解決很多問題
→ ybite: 每個語言或每個作業系統都有自己內部存Unicode的規格
→ ybite: Python是PyUnicodeObject（PEP-393）
→ ybite: 我還記得當年Python 2處理編碼真的是地獄
→ ybite: Unicode補完計畫最早是直接patch Windows 的cp950對應表
→ 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
→ MoonCode: 樓上好猛
→ superpandal: 喔
※ 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
推 Bencrie: 啊不過同一個漢字不同寫法用同一個 code point 問題無解
推 Bencrie: 然後難的地方在複雜語系一堆規則。
→ labbat: 放棄UTF-16吧，投入可變字串長度UTF-8的世界
推 zzLin: 好文，學習了
推 eopXD: 推
推 Dracarys: 再看完這兩篇就打通任督二脈了
→ Dracarys: https://tonsky.me/blog/emoji/
→ Dracarys: https://tonsky.me/blog/unicode/
推 jheli: 優質文，推推
推 Mtcat: 1
推 yuinami: 感謝分享
推 askacis: 你應該是寫MCU之類的吧，Embedded Linux也是會碰Unicode
→ lihgong: 感謝 *Dracarys 我把您推薦的文章也補在後記上，非常讚
※ 編輯: lihgong (122.116.164.102 臺灣), 11/10/2023 23:59:30
推 kikilalagirl: 看能不能再補充 BOM 的資訊? 系統常遇到這類問題.
※ 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
推 art1: 之前碰的傳輸協定是小端傳輸，CRC 也是從小端開始
推 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
→ yiche: 原po撰文了
推 kentyeh: 大推Dracarys的兩篇文章，不過閱讀順序應該反過來
推 shibin: 推
推 Falldog: 推