UTF8-TEXT é o Value que contém uma cadeia UTF-8 sem idioma. Usa o par de códigos de bytes pares·ímpares 0x072L/0x073L.
| Item | Valor |
|---|---|
| Nome | UTF8-TEXT (grupo par/ímpar; os nomes por código estão na tabela de membros abaixo) |
| TAG ID | 0x072L·0x073L |
| Seção | 3 0011 (Value), deslocamento C dentro da seção = 18~19 |
| Kind | Value · família: TEXT |
| Descrição do índice | Sequência de bytes UTF-8 válida (valid) que não implica normalização. Bytes pares·ímpares |
| Lado Hugo | value/text/utf8-text.md |
Membros
Esta página trata em conjunto os dois códigos de um par par/ímpar. O código par é o de valores com número par de bytes, e o ímpar, o de valores com número ímpar (Registro e TAG WORD). Há um documento de Codec por código. Os campos dos dois documentos de Codec são iguais; só diferem o alvo de DECLARE e o nome (BIND).
| TAG ID | Nome | Número de bytes | Codec ID | Documento de especificação | TAG WORD |
|---|---|---|---|---|---|
0x072L | UTF8-TEXT-EVEN | par | 0x00000720 | 0x00000000/codecs/0x00000720/ | 0000 0111 0010 LLLL |
0x073L | UTF8-TEXT-ODD | ímpar | 0x00000730 | 0x00000000/codecs/0x00000730/ | 0000 0111 0011 LLLL |
Campos (documento de especificação)
A ordem dos FIELD no documento é a ordem dos campos do Payload (Documento de especificação de Codec).
| Ordem | Campo (BIND) | FIELD | Largura | Formato recebido (CODEC) | ENUM |
|---|---|---|---|---|---|
| 1 | bytes | #2 | restante, valor bruto (0xFFFF) |
UTF8-TEXT é o Value que contém uma sequência de bytes UTF-8 válida (valid) conforme a RFC 3629. Usa-se para cadeias sem idioma, como identificadores, códigos e nomes de arquivo.
Layout
- Código: códigos diretos de Value
0x072L(número par de bytes) e0x073L(número ímpar de bytes). Família TEXT. - O número de bytes é determinado pelo bit menos significativo do Codec e pelo número de WORDs do Payload. É
2 × número de WORD do Payload − bit menos significativo, e não há Byte Count (Value).
TAG WORD 0000 0111 001P LLLL Codec 0x072L/0x073L
[TAG de extensão de Length] quando o total é de 15 WORD ou mais
Payload WORD 1st ... Nth UTF-8 bytes / final zero padding
Interpretação e validade
- A sequência de bytes deve ser UTF-8 bem formado (well-formed) na forma mais curta (shortest-form), conforme a gramática da RFC 3629. O resultado da decodificação contém apenas Unicode scalar values no intervalo
U+0000..U+10FFFF, sem o intervalo de surrogatesU+D800..U+DFFF. - Um U+FEFF no início do Payload (sequência de bytes UTF-8
EF BB BF) também é tratado como o mesmo caractere que um U+FEFF em qualquer outra posição, e é permitido. Não se faz o tratamento da signature (BOM) de U+FEFF inicial descrito na RFC 3629. Não é removido nem interpretado como signature; é preservado como no original. - A Unicode normalization não é imposta. A scalar sequence original decodificada é preservada tal como está.
- A sequência de bytes UTF-8 válida é colocada no Payload sem conversão. Dentro de um WORD, o byte alto vem primeiro. Se o número de bytes é ímpar (código ímpar), o byte baixo não usado do último WORD deve ser
00. - O número de WORDs do Payload é
ceil(número de bytes/2). Se o código é ímpar e o byte baixo do último WORD não é00, rejeita-se.
Base normativa
- O intervalo de scalar do UTF-8 e a sequência de bytes bem formada seguem a RFC 3629.
- O par de códigos par/ímpar, o zero padding e a disposição de TAG/Length de GEUL em WORDs de 16 bits são regras de canonical framing deste formato.
Comprimento
- O total é 1 WORD de TAG mais o número de WORDs da TAG de extensão de Length (se houver) e do Payload. Até 14 WORD usa-se o comprimento direto; com 15 WORD ou mais, o comprimento estendido
1110·1111, e a TAG de extensão também conta no total (Length). - Uma cadeia de 0 byte escreve-se como registro de 1 WORD do código par (apenas o TAG WORD) (Value).
Exemplo
A(41) tem 1 byte (ímpar), logo éUTF8-TEXT-ODD(0x073L), Payload4100, 2 WORDs no total,LLLL=0001. O total é0731 4100.- A cadeia vazia é
0720(UTF8-TEXT-EVEN, apenas o TAG WORD), 1 WORD.
Texto original do documento de especificação
É o documento de especificação 0x00000000/codecs/0x00000720/latest.geul lido com geul show (hexadecimal em maiúsculas).
SPEC-VERSION 0x0001
DOC-ID 0x0426000000000000072000000000
BODY
#1 DECLARE 0x0720
#2 FIELD #1 rest
#3 BIND #1 "UTF8-TEXT-EVEN"
#4 BIND #2 "bytes"
Acima está o documento de Codec de UTF8-TEXT-EVEN (0x072L). O documento de Codec do outro membro (UTF8-TEXT-ODD) difere apenas no Codec ID do DOC-ID, no alvo de DECLARE e no nome ligado a #1 (BIND).