Pourquoi les caractères anglais ont-ils besoin de moins d'octets pour les représenter que les caractères des autres alphabets?

Table des matières:

Pourquoi les caractères anglais ont-ils besoin de moins d'octets pour les représenter que les caractères des autres alphabets?
Pourquoi les caractères anglais ont-ils besoin de moins d'octets pour les représenter que les caractères des autres alphabets?

Vidéo: Pourquoi les caractères anglais ont-ils besoin de moins d'octets pour les représenter que les caractères des autres alphabets?

Vidéo: Pourquoi les caractères anglais ont-ils besoin de moins d'octets pour les représenter que les caractères des autres alphabets?
Vidéo: Graver des données sur un cd ou dvd - YouTube 2024, Avril
Anonim
Bien que la plupart d’entre nous n’aient probablement jamais cessé d’y penser, les caractères alphabétiques n’ont pas tous la même taille en ce qui concerne le nombre d’octets nécessaires pour les représenter. Mais pourquoi ça? L’article d’aujourd’hui sur le SuperUser Q & R répond aux questions d’un lecteur curieux.
Bien que la plupart d’entre nous n’aient probablement jamais cessé d’y penser, les caractères alphabétiques n’ont pas tous la même taille en ce qui concerne le nombre d’octets nécessaires pour les représenter. Mais pourquoi ça? L’article d’aujourd’hui sur le SuperUser Q & R répond aux questions d’un lecteur curieux.

La séance de questions et réponses d’aujourd’hui nous est offerte par SuperUser, une sous-division de Stack Exchange, un groupe de sites Web de questions-réponses dirigé par la communauté.

Capture partielle de la carte ASCII avec la permission de Wikipedia.

La question

Le lecteur superutilisateur khajvah veut savoir pourquoi différents alphabets occupent différentes quantités d’espace disque lorsqu’ils sont enregistrés:

When I put ‘a’ in a text file and save it, it makes it 2 bytes in size. But when I put a character like ‘ա’ (a letter from the Armenian alphabet) in, it makes it 3 bytes in size.

What is the difference between alphabets on a computer? Why does English take up less space when saved?

Les lettres sont des lettres, non? Peut être pas! Quelle est la réponse à ce mystère alphabétique?

La réponse

Les contributeurs de SuperUser, Doktoro Reichard et Ernie, ont la solution pour nous. D'abord, Doktoro Reichard:

One of the first encoding schemes to be developed for use in mainstream computers is the ASCII (American Standard Code for Information Interchange) standard. It was developed in the 1960s in the United States.

The English alphabet uses part of the Latin alphabet (for instance, there are few accented words in English). There are 26 individual letters in that alphabet, not considering case. And there would also have to exist the individual numbers and punctuation marks in any scheme that pretends to encode the English alphabet.

The 1960s was also a time when computers did not have the amount of memory or disk space that we have now. ASCII was developed to be a standard representation of a functional alphabet across all American computers. At the time, the decision to make every ASCII character 8 bits (1 byte) long was made due to technical details of the time (the Wikipedia article mentions the fact that perforated tape held 8 bits in a position at a time). In fact, the original ASCII scheme can be transmitted using 7 bits, and the eighth could be used for parity checks. Later developments expanded the original ASCII scheme to include several accented, mathematical, and terminal characters.

With the recent increase of computer usage across the world, more and more people from different languages had access to a computer. That meant that, for each language, new encoding schemes had to be developed, independently from other schemes, which would conflict if read from different language terminals.

Unicode came into being as a solution to the existence of different terminals by merging all possible meaningful characters into a single abstract character set.

UTF-8 is one way to encode the Unicode character set. It is a variable-width encoding (i.e. different characters can have different sizes) and it was designed for backwards compatibility with the former ASCII scheme. As such, the ASCII character set will remain one byte in size whilst any other characters are two or more bytes in size. UTF-16 is another way to encode the Unicode character set. In comparison to UTF-8, characters are encoded as either a set of one or two 16-bit code units.

As stated in other comments, the ‘a’ character occupies a single byte while ‘ա’ occupies two bytes, denoting a UTF-8 encoding. The extra byte in the original question was due to the existence of a newline character at the end.

Suivi de la réponse d'ernie:

1 byte is 8 bits, and can thus represent up to 256 (2^8) different values.

For languages that require more possibilities than this, a simple 1 to 1 mapping can not be maintained, so more data is needed to store a character.

Note that generally, most encodings use the first 7 bits (128 values) for ASCII characters. That leaves the 8th bit, or 128 more values for more characters. Add in accented characters, Asian languages, Cyrillic, etc. and you can easily see why 1 byte is not sufficient for holding all characters.

Avez-vous quelque chose à ajouter à l'explication? Sound off dans les commentaires. Voulez-vous lire plus de réponses d'autres utilisateurs de Stack Exchange doués en technologie? Découvrez le fil de discussion complet ici.

Conseillé: