UTF8-TEXT ist ein Value, der eine UTF-8-Zeichenkette ohne Sprache enthält. Er verwendet das Codepaar 0x072L/0x073L für gerade und ungerade Bytes.
| Eintrag | Wert |
|---|---|
| Name | UTF8-TEXT (gerade/ungerade Paarung. Die Namen je Code stehen in der Mitgliedertabelle unten) |
| TAG ID | 0x072L·0x073L |
| Abschnitt | 3 0011 (Value), Offset im Abschnitt C = 18~19 |
| Kind | Value · Familie: TEXT |
| Indexbeschreibung | Gültige UTF-8-Bytefolge, die keine Normalisierung impliziert. Gerade/ungerade Bytes |
| Hugo-Pfad | value/text/utf8-text.md |
Mitglieder
Diese Seite behandelt die zwei Codes einer gerade/ungerade-Paarung gemeinsam. Der gerade Code gilt für Werte mit gerader Byteanzahl, der ungerade Code für Werte mit ungerader Byteanzahl (Record und TAG WORD). Es gibt ein Codec-Dokument je Code. Die Felder beider Codec-Dokumente sind gleich; nur das DECLARE-Ziel und der Name (BIND) unterscheiden sich.
| TAG ID | Name | Byteanzahl | Codec ID | Spezifikationsdokument | TAG WORD |
|---|---|---|---|---|---|
0x072L | UTF8-TEXT-EVEN | gerade | 0x00000720 | 0x00000000/codecs/0x00000720/ | 0000 0111 0010 LLLL |
0x073L | UTF8-TEXT-ODD | ungerade | 0x00000730 | 0x00000000/codecs/0x00000730/ | 0000 0111 0011 LLLL |
Felder (Spezifikationsdokument)
Die Reihenfolge der FIELDs im Dokument ist die Reihenfolge der Payload-Felder (Codec-Spezifikationsdokument).
| Reihenfolge | Feld (BIND) | FIELD | Breite | Akzeptiertes Format (CODEC) | ENUM |
|---|---|---|---|---|---|
| 1 | bytes | #2 | restliche Rohwert-Bytes (0xFFFF) |
UTF8-TEXT ist ein Value, der eine gültige UTF-8-Bytefolge nach RFC 3629 enthält. Er wird für Zeichenketten ohne Sprache verwendet, etwa Bezeichner, Codes und Dateinamen.
Layout
- Code: direkter Value-Code
0x072L(gerade Bytes) und0x073L(ungerade Bytes). Familie TEXT. - Die Byteanzahl ergibt sich aus dem niedrigstwertigen Bit des Codecs und der Anzahl der Payload-WORDs. Sie ist
2 × Anzahl der Payload-WORDs − niedrigstwertiges Bit; einen Byte Count gibt es nicht (Value).
TAG WORD 0000 0111 001P LLLL Codec 0x072L/0x073L
[Length-Erweiterungs-TAG] bei insgesamt 15 WORDs oder mehr
Payload WORD 1st ... Nth UTF-8 bytes / final zero padding
Interpretation und Gültigkeit
- Die Bytefolge muss wohlgeformtes UTF-8 in kürzester Form nach der Grammatik von RFC 3629 sein. Das Dekodierergebnis enthält nur Unicode Scalar Values im Bereich
U+0000..U+10FFFFund keine Surrogate im BereichU+D800..U+DFFF. - Ein U+FEFF am Anfang der Payload (UTF-8-Bytefolge
EF BB BF) gilt als dasselbe Zeichen wie U+FEFF an anderer Stelle und ist erlaubt. Die in RFC 3629 beschriebene Behandlung eines führenden U+FEFF als Signatur (BOM) findet nicht statt. Es wird weder entfernt noch als Signatur gedeutet, sondern unverändert bewahrt. - Eine Unicode-Normalisierung wird nicht erzwungen. Die dekodierte Original-Scalar-Sequenz bleibt unverändert erhalten.
- Die gültige UTF-8-Bytefolge wird ohne Umwandlung in die Payload gelegt. Innerhalb eines WORDs steht das obere Byte zuerst. Bei ungerader Byteanzahl (ungerader Code) muss das ungenutzte untere Byte des letzten WORDs
00sein. - Die Anzahl der Payload-WORDs ist
ceil(Byteanzahl/2). Ist der Code ungerade und das untere Byte des letzten WORDs nicht00, wird der Wert abgelehnt.
Normative Grundlage
- Der Scalar-Bereich von UTF-8 und wohlgeformte Bytefolgen folgen RFC 3629.
- Das gerade/ungerade Codepaar, das Zero Padding sowie TAG/Length von GEUL und die Anordnung in 16-Bit-WORDs sind die kanonischen Framing-Regeln dieses Formats.
Länge
- Die Gesamtlänge ist die Summe der WORDs aus TAG (1 WORD), Length-Erweiterungs-TAG (falls vorhanden) und Payload. Bis 14 WORDs wird die direkte Länge verwendet, ab 15 WORDs die erweiterte Länge
1110·1111; auch der Erweiterungs-TAG zählt zur Gesamtanzahl (Length). - Eine Zeichenkette mit 0 Bytes wird als Record des geraden Codes mit 1 WORD (nur das TAG WORD) geschrieben (Value).
Beispiel
A(41) hat 1 Byte (ungerade) und damitUTF8-TEXT-ODD(0x073L), Payload4100, insgesamt 2 WORDs,LLLL=0001. Das Ganze ist0731 4100.- Die leere Zeichenkette ist
0720(UTF8-TEXT-EVEN, nur das TAG WORD) mit 1 WORD.
Originaltext des Spezifikationsdokuments
So sieht das Spezifikationsdokument 0x00000000/codecs/0x00000720/latest.geul aus, gelesen mit geul show (Hexadezimalwerte in Großbuchstaben).
SPEC-VERSION 0x0001
DOC-ID 0x0426000000000000072000000000
BODY
#1 DECLARE 0x0720
#2 FIELD #1 rest
#3 BIND #1 "UTF8-TEXT-EVEN"
#4 BIND #2 "bytes"
Oben steht das Codec-Dokument von UTF8-TEXT-EVEN (0x072L). Das Codec-Dokument des anderen Mitglieds (UTF8-TEXT-ODD) unterscheidet sich nur in der Codec ID der DOC-ID, im DECLARE-Ziel und im unter #1 gebundenen Namen (BIND).