Programowanie w systemie UNIX/Kodowanie

Wstęp

Co każdy programista powinien wiedzieć o

• kodowaniu wg Davida C. Zentgrafa
• zestawach znaków wg Joel Spolsky

Kodowanie

Dekodery

• znaków (ang. char)
  • Character Encoder / Decoder
  • Online Character Map
  • wikipedia kod znaku
  • Mausr - Marek's Unicode Symbols Recognizer
  • rapidtables binary-to-ascii
• plików
  • iconv
  • recode

Testy

• strona testowa
  • Browser Test Page for Unicode Character
  • detexify : find a symbol in symbols-a4.pdf that you just can't memorize.

Typowe problemy

• kopiowanie i wklejanie powoduje że, zamiast oczekiwanego znaku otrzymujemy inny (zamiast minusa ...) .
• oznaczenie końca pliku ( EOF )

Znaki

Najczęściej używane standardy kodowanie występujące w sieci

Znaki z punktu widzenia programisty dzielimy na:

• drukowalne
• niedrukowalne

Podział wg znaczenia :

• litery (ang. letter) (91.8%), podkategorie: duże (uppercase = Lu) , małe (ang. lowercase = Ll), tytułowe (titlecase = Lt), zmodyfikowane ( modifier = Lm)
• symbole (ang. symbol) : (5.0%), podkategoria: matematyczne (Symbol, math = Sm), zmodyfikowane (modifier = Sk), walutowe (currency = Sc)
• znaki (Mark) : (1.4%)
• cyfry (Number): 1,100 (1.0%)
• Punctuation: 598 (0.5%)
• inne (Other): 205 (0.2%)
• Separator: 20 (0.0%)

Podział wg strony kodowej

• ascii
• unicode
  • UTF-8

Znaki drukowalne

Podobne znaki

• ascii '-' ( Hyphen, dash, minus )
• UTF-8 characters:
  • kod = U+2212 ( MINUS SIGN )
  • kod = U+002D ( HYPHEN-MINUS )
  • kod = U+005F ( LOW LINE )
  • kod = U+00AF ( MACRON )
  • kod = U+2010 ( HYPHEN )
  • kod = u+2011 ( NON-BREAKING HYPHEN )
  • kod = U+2012 ( FIGURE DASH )
  • kod = U+2013 ( EN DASH )
  • kod = U+2014 ( EM DASH )
  • kod = U+268A ( MONOGRAM FOR YANG )

Read	Character	Unicode	ASCII	in URL	HTML notations
Minus	−	U+2212		%E2%88%92	− − −
Hyphen-minus	-	U+002D	-	%2D
Full-width Hyphen-minus	－	U+FF0D		%EF%BC%8D	－ －

Znaki niedrukowalne

• znaki specjalne

Wyświetlanie znaków niedrukowalnych (nazwa pliku przykładowa):

cat -t -e p.txt

lub :

hl-nonprinting () { local C=$(printf '\033[0;36m') B=$(printf '\033[0;46m') R=$(printf '\033[0m') np=$(env printf "\u00A0\uFEFF"); sed -e "s/\t/${C}▹&$R/g" -e "s/$/${C}⁋$R/" -e "s/[$np]/${B}& $R/g";}

lub

od -c p.txt

BOM

Unicode Byte-Order-Marker (BOM)

Znajdowanie plików z BOM :

grep -rl $'\xEF\xBB\xBF'

lub :

file * | grep UTF

albo znaleźć i usunąć BOM:

find . -type f -exec sed '1s/^\xEF\xBB\xBF//' -i.bak {} \; -exec rm {}.bak \;

lub dos2unix

W c:

// http://unicodebook.readthedocs.org/en/latest/guess_encoding.html
#include <string.h>   /* memcmp() */

const char *UTF_16_BE_BOM = "\xFE\xFF";
const char *UTF_16_LE_BOM = "\xFF\xFE";
const char *UTF_8_BOM = "\xEF\xBB\xBF";
const char *UTF_32_BE_BOM = "\x00\x00\xFE\xFF";
const char *UTF_32_LE_BOM = "\xFF\xFE\x00\x00";

char* check_bom(const char *data, size_t size)
{
    if (size >= 3) {
        if (memcmp(data, UTF_8_BOM, 3) == 0)
            return "UTF-8";
    }
    if (size >= 4) {
        if (memcmp(data, UTF_32_LE_BOM, 4) == 0)
            return "UTF-32-LE";
        if (memcmp(data, UTF_32_BE_BOM, 4) == 0)
            return "UTF-32-BE";
    }
    if (size >= 2) {
        if (memcmp(data, UTF_16_LE_BOM, 2) == 0)
            return "UTF-16-LE";
        if (memcmp(data, UTF_16_BE_BOM, 2) == 0)
            return "UTF-16-BE";
    }
    return NULL;
}

Kodowanie	Reprezentacja (hexadecimal)	Reprezentacja (decimal)	Bajty jako znaki CP1252
UTF-8	EF BB BF	239 187 191	
UTF-16 (BE)	FE FF	254 255	þÿ
UTF-16 (LE)	FF FE	255 254	ÿþ
UTF-32 (BE)	00 00 FE FF	0 0 254 255	␀␀þÿ (␀ refers to the ASCII null character)
UTF-32 (LE)	FF FE 00 00	255 254 0 0	ÿþ␀␀ (␀ refers to the ASCII null character)
UTF-7	2B 2F 76 38 2B 2F 76 39 2B 2F 76 2B 2B 2F 76 2F 2B 2F 76 38 2D	43 47 118 56 43 47 118 57 43 47 118 43 43 47 118 47 43 47 118 56 45	+/v8 +/v9 +/v+ +/v/ +/v8-
UTF-1	F7 64 4C	247 100 76	÷dL
UTF-EBCDIC	DD 73 66 73	221 115 102 115	Ýsfs
SCSU	0E FE FF	14 254 255	␎þÿ (␎ represents the ASCII "shift out" character)
BOCU-1	FB EE 28	251 238 40	ûî(
GB-18030	84 31 95 33	132 49 149 51	„1•3

Można go usunąć za pomocą:

sed '1 s/\xEF\xBB\xBF//' < input > output

Dodać:

printf("\xef\xbb\xbf");

String czyli łańcuchy znaków

• What every programmer should know about ‘String’ by Ahmed shamim hassan
• knuth-morris-pratt-string-matching by Nayuki

Plik tekstowy

Plik tekstowy składa się z linii i kończy się znakiem końca pliku ( EOF ).

Linia jest to ciąg znaków (drukowalnych i niedukowalnych) zakończony znakiem końca linii

Linię możemy podzielić na wyrazy rozdzielone spacjami

typy plików tekstowych

• zwykły tekst (rozszerzenie txt)
  • plik z kodem w C (ASCII text)
• csv
• ical
• łaty i różnice

csv

Przykładowy csv, który może być zaimportowany do kalendarza:

Subject,Start Date,Start Time,End Date,End Time,All Day,Description
My important event,04/19/2012,6:00pm,04/19/2012,9:00pm,false,Longer Description
An all-day event,04/19/2012,,04/19/2012,,true,Missing times are OK
A multi-day event,04/19/2012,6:00pm,04/20/2012,6:00pm,false,Start date and end date are different

ical

Plik iCalendar służy do zapisu danych kalendarzy.

• Pierwszy wiersz w pliku iCalendar zawiera nagłówek = BEGIN: VCALENDAR
• ostatni wiersz pliku ( stopka) = END:VCALENDAR.
• Pomiędzy powyższymi wierszami wprowadzane są wydarzenia.
  • wydarzenie musi być ujęte w wiersze BEGIN:VEVENT i END:VEVENT.

BEGIN: VCALENDAR 
BEGIN:VEVENT 
(szczegóły pojedynczego wydarzenia) 
END:VEVENT 
BEGIN:VEVENT 
(szczegóły pojedynczego wydarzenia) 
END:VEVENT 
END:VCALENDAR

biblioteki:

• libical
• gcalcli

Sygnatura pliku

• sygnatura pliku w wikipedii
• BOM

Kodowanie pliku

Sprawdzanie za pomocą komendy file ( nazwa pliku i wynik przykładowe) :

file a.txt

a.txt: UTF-8 Unicode (with BOM) text, with very long lines

UTF-8

• jak korzystać w c

Za pomocą komendy od :

od -c babymonsterBUM.txt

przykładowy wynik :

0000000 357 273 277   s   i   z   e       2   0   0   0       1   0   0
0000020   0  \n   v   i   e   w       1   5   4       0   .   4   0   2
0000040   6   2   2   3   2   4   2   1   4   1   8   5   2   1   4   8
0000060   0   3   7   8   2   4   7   2   4   5   8   4   0   2   5   8
0000100   3   5   7   5   5   1   3   5   0   1   1   3   4   2   8   8
0000120   1   0   2   7   0   4   2   5   2   5   6   2   7   0   3   9
0000140   5   6   9   5   0   2   8   8   1   6   7   0   9   4   6   7
0000160   4   5   5   5   7   4   1   2   9   3   0   3   2   7   1   1
0000200   5   3   9   3   2   5   8   7   9   4   9   1   3   5   4   8
...
0010260   r   a   t   e   -   m   y   -   f   r   a   c   t   a   l   )
0010300   /   b   a   b   y   -   m   o   n   s   t   e   r   /  \n
0010317

Lub za pomocą edytora binarnego , np. beav, Jeex lub Okteta.

info o pliku

• wc

Więcej

• Przetwarzanie kodu źródłowego programu - makra preprocesora
• stackoverflow questions : detecting-programming-language-from-a-snippet
• Defines all Languages known to GitHub
• search code web page
• detect language
• detect programing language
• konwersje:
  • Pandoc a universal document converter