Codificarea fișierelor text și caracterele de sfârșit de linie

Seturi de caractere

Fișierele text folosesc seturi de caractere. Un set de caractere conține semne de punctuație, cifre, litere mari și mici și toate celelalte caractere imprimabile. Fiecare caracter din set este identificat printr-un număr.

Cele mai multe seturi de caractere folosite includ setul U.S. ASCII, ale cărui 95 de caractere imprimabile au valori numerice de la 32 la 126. Principalele grupuri de seturi de caractere sunt:

Setul de caractere Windows (codificare pe un singur octet): Paginile de cod vechi pe un singur octet din Windows, numite adesea pagini de cod ANSI, folosesc 8 biți pe caracter și pot atribui cel mult 256 (2^8) de valori. Paginile de cod diferite oferă caractere diferite pentru anumite limbi; o singură pagină de cod nu acoperă toate limbile. Versiunile moderne de Windows acceptă și codificările Unicode.
Set de caractere pe mai mulți octeți: Multe sisteme de scriere din Asia de Est necesită mai multe caractere decât poate reprezenta o codificare pe un octet. Paginile de cod vechi pe doi octeți folosesc unul sau doi octeți pe caracter. Alte codificări multioctet au reguli diferite; de exemplu, UTF-8 folosește între unul și patru octeți pentru o valoare scalară Unicode. Codificarea trebuie cunoscută pentru a decodifica corect octeții.
Setul de caractere Unicode: Unicode atribuie puncte de cod caracterelor din diverse sisteme de scriere, semnelor de punctuație, simbolurilor și altor elemente de text. UTF-8, UTF-16 și UTF-32 codifică textul Unicode folosind unități de cod de dimensiuni diferite. UTF-16 folosește o unitate de cod pe 16 biți pentru un caracter din planul multilingv de bază sau o pereche de unități pe 16 biți pentru un caracter suplimentar. Unicode nu este limitat la 65.536 de caractere, iar codificarea trebuie aleasă corect la citirea sau scrierea unui fișier text.
Setul de caractere OEM: Setul de caractere OEM este folosit de obicei pentru afișare în sesiunile MS-DOS pe tot ecranul. Caracterele imprimabile de la 32 la 126 sunt de regulă aceleași în seturile OEM, U.S. ASCII și Windows. Celelalte caractere OEM (de la 0 la 31 și de la 128 la 255) corespund caracterelor care pot fi afișate într-o sesiune MS-DOS pe tot ecranul. Acestea diferă în general de caracterele Windows.
Setul de caractere Symbol: Setul de caractere Symbol conține caractere speciale folosite de obicei pentru formule matematice și științifice.

Caractere de sfârșit de linie

Fișierele text folosesc terminatoare de linie diferite. MS-DOS, Windows și OS/2 folosesc tradițional CR/LF; UNIX și versiunile moderne de macOS folosesc LF. Mac OS clasic folosea CR.

Simbol	Semnificație	Utilizat	Caracter	Hex
CR	Retur de car	Mac OS clasic	\r	0x0d
LF	Avans de linie	UNIX, macOS modern	\n	0x0a
CR/LF	Retur de car/Avans de linie	MS-DOS, Windows, OS/2	\r\n	0x0d, 0x0a
NULL	Caracter nul		\0	0x00

Vedeți și

Conversia conținutului fișierelor