JMÉNO

       UTF-8 - vícebytové Unicode kódování, kompatibilní s ASCII

POPIS

       The  Unicode  3.0  character  set  occupies  a 16-bit code space. The most obvious Unicode
       encoding (known as UCS-2)  consists of a  sequence  of  16-bit  words.  Such  strings  can
       contain—as  part of many 16-bit characters—bytes such as '\0' or '/', which have a special
       meaning in filenames and other C library function arguments. In addition, the majority  of
       UNIX  tools  expect  ASCII  files  and can't read 16-bit words as characters without major
       modifications. For these reasons, UCS-2 is not a suitable external encoding of Unicode  in
       filenames,  text  files,  environment  variables,  and  so on. The ISO/IEC 10646 Universal
       Character Set (UCS), a superset of Unicode, occupies an even larger code space—31 bits—and
       the obvious UCS-4 encoding for it (a sequence of 32-bit words) has the same problems.

       Kódování  UTF-8  pro  Unicode  a  UCS  tyto  problémy nemá, a proto je obvyklou cestou pro
       využívání Unicode v UNIXových (a podobných)  operačních systémech.

   Vlastnosti
       Kódování UTF-8 má několik pěkných vlastností:

       •  UCS characters 0x00000000 to 0x0000007f (the classic US-ASCII characters)  are  encoded
          simply  as  bytes 0x00 to 0x7f (ASCII compatibility). This means that files and strings
          which contain only 7-bit ASCII characters have the same encoding under both  ASCII  and
          UTF-8.

       •  Všechny  znaky UCS větší než 0x7f jsou kódovány jako sekvence bytů v rozmezí od 0x80 do
          0xfd, takže se zde neobjeví žádný znak ASCII ani nevznikají problémy se znaky jako '\0'
          nebo '/'.

       •  Lexikografické uspořádání znaků z UCS-4 se zachovává.

       •  Libovolnou z 2^31 kombinací UCS lze zakódovat pomocí UTF-8.

       •  Kódy 0xc0, 0xc1, 0xfe a 0xff nejsou použity v kódování UTF-8.

       •  První  byte  vícebytové  sekvence  reprezentující  jeden  ne-ASCII  znak  UCS je vždy v
          intervalu 0xc0 až 0xfd a indikuje, jak dlouhá je  sekvence  bytů.  Všechny  následující
          byty jsou v rozmezí 0x80 až 0xbf. Toto umožňuje jednoduchou resynchronizaci při výpadku
          bytu(ů), protože se jedná o bezstavové kódování.

       •  UTF-8  kóduje  znaky  UCS  až  do  šestibytových  sekvencí,  nicméně  standard  Unicode
          nespecifikuje  znaky nad 0x10ffff, takže Unicode znaky mohou být v UTF-8 dlouhé nejvýše
          čtyři byty.

   Kódování
       Následující sekvence jsou použity pro reprezentování znaků. Typ použité sekvence závisí na
       kódu UCS daného znaku:

       0x00000000 - 0x0000007F:
              0xxxxxxx

       0x00000080 - 0x000007FF:
              110xxxxx 10xxxxxx

       0x00000800 - 0x0000FFFF:
              1110xxxx 10xxxxxx 10xxxxxx

       0x00010000 - 0x001FFFFF:
              11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

       0x00200000 - 0x03FFFFFF:
              111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

       0x04000000 - 0x7FFFFFFF:
              1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

       The  xxx  bit  positions  are  filled with the bits of the character code number in binary
       representation, most significant  bit  first  (big-endian).  Only  the  shortest  possible
       multibyte sequence which can represent the code number of the character can be used.

       The  UCS  code  values 0xd800–0xdfff (UTF-16 surrogates) as well as 0xfffe and 0xffff (UCS
       noncharacters) should not appear in conforming UTF-8 streams. According  to  RFC  3629  no
       point above U+10FFFF should be used, which limits characters to four bytes.

   PŘÍKLAD
       Znak Unicode 0xa9 = 1010 1001 (copyright) je kódován v UTF-8 jako:

              11000010 10101001 = 0xc2 0xa9

       a znak 0x2260 = 0010 0010 0110 0000 (není rovno) je kódován jako:

              11100010 10001001 10100000 = 0xe2 0x89 0xa0

   Praktické poznámky
       Uživatelé musejí vybrat UTF-8 locale, např. pomocí

              export LANG=en_GB.UTF-8

       aby aktivovali podporu UTF-8 v aplikacích.

       Application software that has to be aware of the used character encoding should always set
       the locale with for example

              setlocale(LC_CTYPE, "")

       and programmers can then test the expression

              strcmp(nl_langinfo(CODESET), "UTF-8") == 0

       to determine whether a UTF-8 locale has been selected and whether therefore all  plaintext
       standard  input and output, terminal communication, plaintext file content, filenames, and
       environment variables are encoded in UTF-8.

       Programmers accustomed to single-byte encodings such as US-ASCII or ISO/IEC 8859  have  to
       be aware that two assumptions made so far are no longer valid in UTF-8 locales. Firstly, a
       single byte does not necessarily correspond any more  to  a  single  character.  Secondly,
       since  modern  terminal emulators in UTF-8 mode also support Chinese, Japanese, and Korean
       double-width characters as well as nonspacing combining characters,  outputting  a  single
       character  does  not  necessarily  advance  the cursor by one position as it did in ASCII.
       Library functions such as mbsrtowcs(3)  and wcswidth(3) should  be  used  today  to  count
       characters and cursor positions.

       The  official  ESC  sequence  to  switch from an ISO/IEC 2022 encoding scheme (as used for
       instance by VT100 terminals) to UTF-8 is ESC %  G  ("\x1b%G").  The  corresponding  return
       sequence  from  UTF-8  to ISO/IEC 2022 is ESC % @ ("\x1b%@"). Other ISO/IEC 2022 sequences
       (such as for switching the G0 and G1 sets) are not applicable in UTF-8 mode.

   Security
       The Unicode and UCS standards require that producers of UTF-8 shall use the shortest  form
       possible,   for   example,   producing  a  two-byte  sequence  with  first  byte  0xc0  is
       nonconforming. Unicode 3.1 has added the requirement that  conforming  programs  must  not
       accept  non-shortest  forms in their input. This is for security reasons: if user input is
       checked for possible security violations, a program might check only for the ASCII version
       of "/../" or ";" or NUL and overlook that there are many non-ASCII ways to represent these
       things in a non-shortest UTF-8 encoding.

   STANDARDY
       ISO/IEC 10646-1:2000, Unicode 3.1, RFC 3629, Plan 9.

DALŠÍ INFORMACE

       locale(1), nl_langinfo(3), setlocale(3), charsets(7), unicode(7)

PŘEKLAD

       Překlad této příručky do češtiny vytvořili Pavel Heimlich <tropikhajma@gmail.com>

       Tento překlad je bezplatná dokumentace; Přečtěte si GNU General Public License  Version  3
       ⟨https://www.gnu.org/licenses/gpl-3.0.html⟩ nebo novější ohledně podmínek autorských práv.
       Neexistuje ŽÁDNÁ ODPOVĚDNOST.

       Pokud narazíte na nějaké  chyby  v  překladu  této  příručky,  pošlete  e-mail  na  adresu
       ⟨translation-team-cs@lists.sourceforge.net⟩.