UTF8-TEXT adalah Value yang memuat string UTF-8 tanpa bahasa. Memakai pasangan kode jumlah byte genap·ganjil 0x072L/0x073L.

ButirNilai
NamaUTF8-TEXT (kelompok genap-ganjil. Nama tiap kode ada di tabel anggota di bawah)
TAG ID0x072L·0x073L
Bagian3 0011 (Value), offset dalam bagian C = 18~19
KindValue · keluarga: TEXT
Deskripsi indeksDeret byte UTF-8 valid yang tidak menyiratkan normalisasi. Jumlah byte genap·ganjil
Sisi Hugovalue/text/utf8-text.md

Anggota

Halaman ini membahas dua kode pasangan genap-ganjil sekaligus. Kode genap adalah nilai dengan jumlah byte genap, kode ganjil dengan jumlah byte ganjil (Record dan TAG WORD). Dokumen Codec ada satu per kode. Field pada kedua dokumen Codec sama, hanya sasaran DECLARE dan nama (BIND) yang berbeda.

TAG IDNamaJumlah byteCodec IDDokumen spesifikasiTAG WORD
0x072LUTF8-TEXT-EVENgenap0x000007200x00000000/codecs/0x00000720/0000 0111 0010 LLLL
0x073LUTF8-TEXT-ODDganjil0x000007300x00000000/codecs/0x00000730/0000 0111 0011 LLLL

Field (dokumen spesifikasi)

Urutan FIELD dalam dokumen adalah urutan field Payload (dokumen spesifikasi Codec).

UrutanField (BIND)FIELDLebarFormat penerima (CODEC)ENUM
1bytes#2sisa nilai mentah (0xFFFF)

UTF8-TEXT adalah Value yang memuat deret byte UTF-8 valid menurut RFC 3629. Dipakai untuk string tanpa bahasa seperti pengenal, kode, dan nama berkas.

Layout

  • Kode: kode langsung Value 0x072L (jumlah byte genap)·0x073L (jumlah byte ganjil). Keluarga TEXT.
  • Jumlah byte ditentukan oleh bit paling rendah Codec dan jumlah Payload WORD. Rumusnya 2 × jumlah Payload WORD − bit paling rendah, dan Byte Count tidak dipakai (Value).
TAG WORD          0000 0111 001P LLLL      Codec 0x072L/0x073L
[Length extension TAG] jika total 15 WORD atau lebih
Payload WORD 1st ... Nth          UTF-8 bytes / final zero padding

Interpretasi dan validitas

  • Deret byte harus berupa UTF-8 well-formed shortest-form yang sesuai tata bahasa RFC 3629. Hasil dekode hanya memuat Unicode scalar value dalam rentang U+0000..U+10FFFF, tanpa rentang surrogate U+D800..U+DFFF.
  • U+FEFF di awal Payload (deret byte UTF-8 EF BB BF) juga dianggap sebagai karakter yang sama dengan U+FEFF di posisi lain dan diizinkan. Penanganan signature (BOM) U+FEFF di awal yang dijelaskan RFC 3629 tidak dilakukan. Karakter itu tidak dibuang atau ditafsirkan sebagai signature, melainkan disimpan apa adanya.
  • Unicode normalization tidak dipaksakan. Scalar sequence asli hasil dekode disimpan apa adanya.
  • Deret byte UTF-8 yang valid ditempatkan di Payload tanpa konversi. Dalam satu WORD, byte atas datang lebih dulu. Jika jumlah byte ganjil (kode ganjil), byte bawah yang tidak terpakai pada WORD terakhir harus 00.
  • Jumlah Payload WORD adalah ceil(jumlah byte/2). Jika kode ganjil tetapi byte bawah WORD terakhir bukan 00, ditolak.

Dasar standar

  • Rentang scalar UTF-8 dan deret byte well-formed mengikuti RFC 3629.
  • Pasangan kode genap-ganjil, zero padding, serta penempatan TAG/Length GEUL dan WORD 16 bit adalah aturan canonical framing format ini.

Panjang

  • Total adalah jumlah WORD dari TAG 1 WORD, Length extension TAG (jika ada), dan Payload. Sampai 14 WORD memakai panjang langsung, 15 WORD atau lebih memakai panjang ekstensi 1110·1111, dan extension TAG juga dihitung dalam total (Length).
  • String 0 byte ditulis sebagai record 1 WORD (hanya TAG WORD) dari kode genap (Value).

Contoh

  • A (41) adalah 1 byte (ganjil) sehingga memakai UTF8-TEXT-ODD (0x073L), Payload 4100, total 2 WORD, LLLL=0001. Totalnya 0731 4100.
  • String kosong adalah 1 WORD 0720 (UTF8-TEXT-EVEN, hanya TAG WORD).

Teks asli dokumen spesifikasi

Tampilan dokumen spesifikasi 0x00000000/codecs/0x00000720/latest.geul yang dibaca dengan geul show (heksadesimal huruf besar).

SPEC-VERSION 0x0001
DOC-ID 0x0426000000000000072000000000
BODY
#1 DECLARE 0x0720
#2 FIELD #1 rest
#3 BIND #1 "UTF8-TEXT-EVEN"
#4 BIND #2 "bytes"

Di atas adalah dokumen Codec untuk UTF8-TEXT-EVEN (0x072L). Dokumen Codec anggota lain (UTF8-TEXT-ODD) hanya berbeda pada Codec ID di DOC-ID, sasaran DECLARE, dan nama yang diikat pada #1 (BIND).