Reference HTML Unicode (UTF-8).
Konsorcium Unicode
Unicode Consortium vyvíjí standard Unicode. Jejich cílem je nahradit stávající znakové sady jejich standardním Unicode Transformation Format (UTF).
Standard Unicode se stal úspěšným a je implementován v HTML, XML, Java, JavaScript, E-mail, ASP, PHP atd. Standard Unicode je také podporován v mnoha operačních systémech a všech moderních prohlížečích.
Unicode Consortium spolupracuje s předními organizacemi pro vývoj standardů, jako jsou ISO, W3C a ECMA.
Znakové sady Unicode
Unicode lze implementovat různými znakovými sadami. Nejčastěji používaná kódování jsou UTF-8 a UTF-16:
Character-set | Description |
---|---|
UTF-8 | A character in UTF8 can be from 1 to 4 bytes long. UTF-8 can represent any character in the Unicode standard. UTF-8 is backwards compatible with ASCII. UTF-8 is the preferred encoding for e-mail and web pages |
UTF-16 | 16-bit Unicode Transformation Format is a variable-length character encoding for Unicode, capable of encoding the entire Unicode repertoire. UTF-16 is used in major operating systems and environments, like Microsoft Windows, Java and .NET. |
Tip: Prvních 128 znaků Unicode (které odpovídají jedna ku jedné s ASCII) je zakódováno pomocí jednoho oktetu se stejnou binární hodnotou jako ASCII, takže platný text ASCII je platný i v kódování Unicode UTF-8.
HTML 4 podporuje UTF-8. HTML 5 podporuje UTF-8 i UTF-16!
Standard HTML5: Unicode UTF-8
Protože znakové sady v ISO-8859 byly omezené velikosti a nebyly kompatibilní ve vícejazyčných prostředích, Unicode Consortium vyvinulo standard Unicode.
Standard Unicode pokrývá (téměř) všechny znaky, interpunkci a symboly na světě.
Unicode umožňuje zpracování, ukládání a přenos textu nezávisle na platformě a jazyce.
Výchozí kódování znaků v HTML-5 je UTF-8.
Pokud webová stránka HTML5 používá jinou znakovou sadu než UTF-8, měla by být uvedena ve značce <meta> takto:
Příklad
<meta charset="ISO-8859-1">
Rozdíl mezi Unicode a UTF-8
Unicode je znaková sada . UTF-8 je kódování .
Unicode je seznam znaků s jedinečnými desetinnými čísly (body kódu). A = 65, B = 66, C = 67, ....
Tento seznam desetinných čísel představuje řetězec "ahoj": 104 101 108 108 111
Kódování je způsob, jakým se tato čísla převádějí na binární čísla, která mají být uložena v počítači:
Kódování UTF-8 uloží „ahoj“ takto (binárně): 01101000 01100101 01101100 01101100 01101111
Kódování převádí čísla do binárních čísel. Znakové sady převádí znaky na čísla.
HTML5 UTF-8 znakové kódy
Níže je uveden seznam některých kódů znaků UTF-8 podporovaných HTML5:
Character codes | Decimal | Hexadecimal |
---|---|---|
C0 Controls and Basic Latin | 0-127 | 0000-007F |
C1 Controls and Latin-1 Supplement | 128-255 | 0080-00FF |
Latin Extended-A | 256-383 | 0100-017F |
Latin Extended-B | 384-591 | 0180-024F |
Spacing Modifiers | 688-767 | 02B0-02FF |
Diacritical Marks | 768-879 | 0300-036F |
Greek and Coptic | 880-1023 | 0370-03FF |
Cyrillic Basic | 1024-1279 | 0400-04FF |
Cyrillic Supplement | 1280-1327 | 0500-052F |
General Punctuation | 8192-8303 | 2000-206F |
Currency Symbols | 8352-8399 | 20A0-20CF |
Letterlike Symbols | 8448-8527 | 2100-214F |
Arrows | 8592-8703 | 2190-21FF |
Mathematical Operators | 8704-8959 | 2200-22FF |
Box Drawings | 9472-9599 | 2500-257F |
Block Elements | 9600-9631 | 2580-259F |
Geometric Shapes | 9632-9727 | 25A0-25FF |
Miscellaneous Symbols | 9728-9983 | 2600-26FF |
Dingbats | 9984-10175 | 2700-27BF |