Szövegfájlok kódolása és sorvége karakterei

Karakterkészletek

A szövegfájlok karakterkészleteket használnak. A karakterkészlet írásjeleket, számjegyeket, kis- és nagybetűket, valamint minden más nyomtatható karaktert tartalmaz. A készlet minden karakterét egy szám azonosítja.

A legtöbb használatban lévő karakterkészlet az amerikai ASCII karakterkészlet bővítése; annak 95 nyomtatható karakteréhez a 32 és 126 közötti számértékek tartoznak. A karakterkészletek fő csoportjai:

Windows karakterkészlet (egybájtos kódolási séma): A régi, egybájtos Windows-kódlapok, amelyeket gyakran ANSI-kódlapoknak neveznek, karakterenként 8 bitet használnak, és legfeljebb 256 (2^8) értéket rendelhetnek hozzá. A különböző kódlapok más-más nyelvek karaktereit tartalmazzák; egyetlen kódlap nem fedi le az összes nyelvet. A modern Windows Unicode-kódolásokat is támogat.
Többbájtos karakterkészlet: Sok kelet-ázsiai írásrendszer több karaktert igényel, mint amennyit egy egybájtos kódolás ábrázolhat. A régi kétbájtos kódlapok karakterenként egy vagy két bájtot használnak. Más többbájtos kódolások eltérő szabályokat követnek; például az UTF-8 egy Unicode-skalárértéket egy–négy bájton kódol. A bájtok helyes dekódolásához ismerni kell a kódolást.
Unicode karakterkészlet: A Unicode kódpontokat rendel a különböző írásrendszerek karaktereihez, az írásjelekhez, szimbólumokhoz és más szövegelemekhez. Az UTF-8, UTF-16 és UTF-32 eltérő méretű kódegységekkel kódolja a Unicode-szöveget. Az UTF-16 az alap többnyelvű sík egy karakterét egy 16 bites kódegységgel, a kiegészítő karaktereket pedig két 16 bites kódegységgel ábrázolja. A Unicode nem korlátozódik 65 536 karakterre; szövegfájl olvasásakor vagy írásakor helyesen kell megválasztani a kódolást.
OEM karakterkészlet: Az OEM karakterkészletet jellemzően a teljes képernyős MS-DOS-munkamenetek képernyőkimenetéhez használják. A 32 és 126 közötti nyomtatható karakterek általában azonosak az OEM, az amerikai ASCII és a Windows karakterkészleteiben. Az OEM további karakterei (0–31 és 128–255) a teljes képernyős MS-DOS-munkamenetben megjeleníthető karaktereknek felelnek meg. Ezek általában eltérnek a Windows karaktereitől.
Symbol karakterkészlet: A Symbol karakterkészlet matematikai és tudományos képletek ábrázolására használt speciális karaktereket tartalmaz.

Sorvége karakterei

A szövegfájlok eltérő sorvégeket használnak. Az MS-DOS, a Windows és az OS/2 hagyományosan CR/LF-et, a UNIX és a modern macOS LF-et használ. A klasszikus Mac OS CR-t használt.

Jel	Jelentés	Használja	Karakter	Hexadecimális
CR	Kocsivissza	Klasszikus Mac OS	\r	0x0d
LF	Soremelés	UNIX, modern macOS	\n	0x0a
CR/LF	Kocsivissza/Soremelés	MS-DOS, Windows, OS/2	\r\n	0x0d, 0x0a
NULL	Nullkarakter		\0	0x00

Lásd még

Fájltartalmak átalakítása