Baza elementelor de bază este codificarea ASCII și interpretările sale moderne. Concepte de bază de codificare și decodare. Concepte de bază de codificare și decodare

Orice numere (în anumite limite) din memoria computerului sunt codificate ca numere sistem binar Socoteala. Pentru aceasta există simple și reguli clare traducere. Cu toate acestea, în prezent, computerul este utilizat mult mai pe scară largă decât ca un executant de calcule care necesită forță de muncă. De exemplu, textul și informațiile multimedia sunt stocate în memoria computerului. Prin urmare, apare prima întrebare:

Cum sunt stocate caracterele (litere) în memoria computerului?

Fiecare literă aparține unui alfabet specific în care simbolurile se succed și, prin urmare, pot fi numerotate cu numere întregi succesive. Fiecare literă poate fi asociată cu un număr întreg pozitiv și poate fi numită codul caracterului său. Acesta este codul care va fi stocat în memoria computerului și, atunci când este afișat pe ecran sau pe hârtie, va fi „convertit” în simbolul corespunzător. Pentru a distinge reprezentarea numerelor de reprezentarea simbolurilor în memoria computerului, este, de asemenea, necesar să stocați informații despre ce date sunt codificate în zonă specifică memorie.

Corespondența literelor unui anumit alfabet cu numerele de cod formează așa-numitul tabel de codificare. Cu alte cuvinte, fiecare caracter al unui anumit alfabet are propriul său caracter cod numericîn conformitate cu anumite tabel de codificare.

Cu toate acestea, există o mulțime de alfabete în lume (engleză, rusă, chineză etc.). Deci următoarea întrebare este:

Cum se codifică toate alfabetele folosite pe computer?

Pentru a răspunde la această întrebare, să luăm traseul istoric.

În anii 60 ai secolului XX în american institut national standardizare (ANSI) a fost dezvoltat un tabel de codificare a caracterelor, care a fost ulterior folosit în toate sisteme de operare. Acest tabel se numește ASCII ( Standard american Cod pentru informații Interchange – american cod standard pentru schimbul de informații). Puțin mai târziu, a apărut o versiune extinsă a ASCII.

Conform tabelului Codificare ASCII 1 octet (8 biți) este alocat pentru a reprezenta un caracter. Un set de 8 celule poate lua 28 = 256 de valori diferite. Primele 128 de valori (de la 0 la 127) sunt constante și formează așa-numita parte principală a tabelului, care include numere zecimale, litere din alfabetul latin (majuscule și minuscule), semne de punctuație (punct, virgulă, paranteze). , etc.), precum și spații și diferite caractere de serviciu (tab, avans de linie etc.). Valorile de la 128 la 255 formează o parte suplimentară a tabelului, unde se obișnuiește să se codifice caractere din alfabetele naționale.

Deoarece există atât de multe alfabete naționale, tabelele ASCII extinse vin în multe variante. Chiar și pentru limba rusă, există mai multe tabele de codificare (Windows-1251 și Koi8-r sunt comune). Toate acestea creează dificultăți suplimentare. De exemplu, trimitem o scrisoare scrisă într-o codificare, iar destinatarul încearcă să o citească în alta. Drept urmare, îl vede pe krakozabry. Prin urmare, cititorul trebuie să aplice un tabel de codificare diferit pentru text.

Mai este o problemă. Alfabetele unor limbi au prea multe caractere pentru a se potrivi în pozițiile lor desemnate de la 128 la 255 din setul de caractere pe un singur octet.

A treia problemă este ce să faci dacă textul folosește mai multe limbi (de exemplu, rusă, engleză și franceză)? Nu poți folosi două mese deodată...

Pentru a rezolva aceste probleme imediat, a fost dezvoltat Unicode.

Standard de codificare a caracterelor Unicode

Pentru a rezolva problemele de mai sus, la începutul anilor 90 a fost dezvoltat un standard de codificare a caracterelor, numit Unicode. Acest standard vă permite să utilizați aproape orice limbă și simboluri din text.

Unicode oferă 31 de biți (4 octeți minus un bit) pentru a codifica caracterele. Numărul de combinații posibile dă un număr incredibil: 231 = 2.147.483.684 (adică mai mult de două miliarde). Prin urmare, Unicode descrie alfabetele tuturor limbi cunoscute, chiar și cele „morte” și fictive, includ multe simboluri matematice și alte simboluri speciale. Cu toate acestea, capacitatea de informații a Unicode pe 31 de biți este încă prea mare. Prin urmare, este mai des utilizată versiunea scurtată pe 16 biți (216 = 65.536 de valori), unde toate alfabetele moderne sunt codificate.

În Unicode, primele 128 de coduri sunt aceleași cu tabelul ASCII.

Ziua bună tuturor. Alexey Gulynin este în legătură. În ultimul articol la care ne-am uitat crearea de tabele în html. În acest articol aș dori să vorbesc despre o problemă pe care cu siguranță o vei întâlni (dacă nu ai întâlnit-o deja) în practica ta. Și această problemă este legată de codificare pe site. Se întâmplă adesea această situație: stai, vii cu ceva, iar în final gândurile tale sunt exprimate în cod scris. Vă deschideți creația în browser și există o prostie completă scrisă acolo, sau așa cum o numesc de obicei această prostie - „krakozyabry”. Un lucru este evident aici, că problema cu codificarea pe site. Cel mai probabil codarea dvs. implicită este windows-1251 (chirilic), iar browserul încearcă să vă deschidă fișierul în codificare utf-8. Pe scurt despre ce este codificarea. O codificare este un fel de tabel care atribuie fiecărui caracter un anumit Codul mașinii. În consecință, literele noastre rusești într-o codificare au un singur cod, în altele - un cod diferit. Prieteni, folosiți codarea utf-8 peste tot și veți fi fericiți. Utf-8 se mai numește și Unicode.

Să creăm un document de testare în Notepad++ și să scriem următorul cod.

Testarea problemelor de codificare

În meniul Notepad++, asigurați-vă că „Codări” este în partea de sus - „Codificare în ANSI”. Acum vom crea artificial o problemă cu codificarea. Încercați să deschideți acest fișier în browser acum. Vom vedea hieroglife. Ideea aici este că ne-am creat fișierul în Codificare ANSI(chirilic), iar browserului i s-a spus că fișierul nostru a fost codificat utf-8 ( ) .

Motivele pentru care probleme cu codarea pe site:

1) Valoare incorectă atributul set de caractere al etichetei meta.

2) În meniul Notepad++, verificați dacă codificarea fișierului este utf-8. Acest lucru trebuie făcut „Codări” - „Codificare în UTF-8 (fără BOM)”. Pe Internet puteți găsi o definiție a ceea ce este „BOM”, dar nu este clară. Din câte am înțeles, la începutul documentului este scris spatiu de nerupere cu lățimea zero. Nu avem nevoie, așa că pune întotdeauna „fără BOM”.

3) Se întâmplă ca primele două puncte să fi fost finalizate, dar tot mai apar prostii pe paginile site-ului. Aici problema poate fi în setările serverului, de exemplu. hosting transferă direct antetele fișierelor noastre și setează codarea implicită. Să încercăm să-l înțărcăm de la a face asta. Ar trebui să existe un fișier .htaccess în directorul rădăcină al site-ului. Folosind acest fișier, puteți face ajustări la operațiunea de găzduire. Dacă nu aveți acest fișier, atunci trebuie să îl creați. Este convenabil să faceți acest lucru în Editor de notepad++. ÎN acest fișier trebuie sa scrieti urmatorul cod:

AddDefaultCharset UTF-8

Cu această instrucțiune îi spunem serverului că codificarea noastră implicită este „utf-8”. Dacă acest lucru nu ajută, atunci trebuie să scrieți următorul cod în același fișier:

Charset dezactivat pe AddDefaultCharset Off

Aici încercăm să spunem serverului că nu dorim o codificare implicită. Dacă după aceste mașinațiuni nimic nu ajută, atunci trebuie să-i scrieți găzduitorului și să decideți această problemă cu el. Poate iti va spune ceva.

Creați un formular de feedback

Despre problemele legate de codificarea fișierelor

La crearea unui formular de feedback, apar adesea probleme cu codificarea fișierelor, motiv pentru care mesajul primit Scrisoare prin e-mail constă din pătrate minunate, diamante și alte „biscuiți”.

Să aruncăm o privire mai atentă la această neînțelegere flagrantă. După cum știți, codificarea (set de caractere) este o metodă de reprezentare a caracterelor pentru transmiterea lor. La urma urmei, orice informație care circulă într-un computer este o succesiune de zerouri și unu. Codificarea caracterelor este formată din mai mulți octeți, de obicei de la 1 la 4. Există multe codificări, iar browserul trebuie să stabilească corect în care dintre ele este scrisă pagina site-ului care se deschide.

În cele mai multe cazuri browsere moderne face față cu succes acestei sarcini în mod independent. Cu toate acestea pentru definiție corectă Este obișnuit să oferiți un indiciu în codul HTML folosind o metaetichetă, de exemplu,
sau
.
.

Designerii web începători cred uneori în mod eronat că este suficient să inserați metaeticheta dorită în partea de sus a paginii - și totul va fi OK! Este o iluzie. După cum a scris pe bună dreptate Kozma Prutkov: „Dacă vezi inscripția „Bivol” pe o cușcă cu un elefant, nu-ți crede ochilor.” Este necesar nu numai să scrieți, de exemplu, charset=utf-8, ci și să vă asigurați că pagina realizat efectiv în codificarea specificată.

Cel mai simplu mod de a afla codarea reală a unei pagini este prin deschiderea acesteia în orice browser și selectarea elementului din meniu Vizualizare - Codificare. Când schimbați codările, determinați care dintre ele va afișa corect pagina - aceasta va fi codificarea dvs. reală. Indicați-o în metaeticheta. Dacă doriți să schimbați codificarea, atunci pentru a face acest lucru trebuie să mergeți la setările programului cu care creați site-ul și să setați codificarea necesară. De exemplu, în program Adobe Dreamweaver Pentru a face acest lucru, trebuie să selectați o secțiune de meniu Editare - Setări... - Creare document - Codare implicită. Codificări utilizate în mod obișnuit set de caractere=utf-8 sau set de caractere=windows-1251.

cometariu: Este recomandabil să plasați metaeticheta care indică codificarea chiar la începutul codului HTML, imediat după etichetă. astfel încât browserul să selecteze codificarea corectă înainte de a afișa titlul paginii (tag ), care apare în bara albastră din partea de sus a ferestrei browserului. Altfel, in schimb