CESU-8
Z Wikipedie, otevřené encyklopedie
CESU-8 (zkratka anglického Compatibility Encoding Scheme for UTF-16: 8-bit, Schéma pro kompatibilní kódování UTF-16, 8bitové) je způsob kódování znaků Unicode, který je téměř shodný s UTF-8, ale liší se způsobem práce se znaky nad U+10000. Je určen výhradně pro vnitřní použití v systémech, které nejsou schopny dobře pracovat s úplnou znakovou sadou Unicode při použití standardních kódování, není zamýšlen jako formát pro obecnou výměnu dat.
Při kódování do CESU-8 se vstupní text nejprve zakóduje do UTF-16 (tzn. znaky mimo Basic Multilingual Plane se zapíší pomocí surrogate pairs), výsledek se poté zakóduje pomocí UTF-8. Znamená to, že kódování znaků BMP (všechny znaky od U+0000 do U+FFFF) je shodné v UTF-8 i CESU-8. Znaky, které jsou v UTF-8 kódovány do čtyř bajtů, jsou však v CESU-8 kódovány pomocí šestibajtové posloupnosti.
CESU-8 je obdobné tzv. Modified UTF-8, které se používá v Javě, ovšem s tím rozdílem, že se nepoužívá speciální kódování znaku U+0000.
V praxi se kódování CESU-8 používá při práci s některými databázemi (Oracle, MySQL), která neumějí pracovat s UTF-8 řetězci reprezentujícími znaky mimo BMP, ale nic nenamítají proti (z hlediska UTF-8 neplatnému) kódování těchto znaků prostřednictvím surrogate pairs, tzn. CESU-8.
[editovat] Příklad kódování
| Vstup | U+0045 | U+0205 | U+10000 | ||||||
|---|---|---|---|---|---|---|---|---|---|
| UTF-8 | 45 | C8 | 85 | F0 80 80 80 | |||||
| UTF-16 | 0045 | 0205 | D800 | DC00 | |||||
| CESU-8 | 45 | C8 | 85 | ED | A0 | 80 | ED | B0 | 80 |
Je vidět, že znaky BMP jsou v UTF-8 i CESU-8 kódovány stejně, rozdíl je zde jen ve znaku U+10000, který leží mimo BMP.
