UTF8-TEXT 是承载无语言标注的 UTF-8 字符串的 Value。使用偶数·奇数字节代码对 0x072L/0x073L。
| 项目 | 值 |
|---|---|
| 名称 | UTF8-TEXT(奇偶分组。各代码的名称见下方成员表) |
| TAG ID | 0x072L·0x073L |
| 章节 | 3 0011(Value),章节内偏移 C = 18~19 |
| Kind | Value · 系列:TEXT |
| 索引说明 | 不暗示规范化的 valid UTF-8 字节序列。偶数·奇数字节 |
| Hugo 路径 | value/text/utf8-text.md |
成员
本页同时处理奇偶一对的两个代码。偶数代码的值字节数为偶数,奇数代码的值字节数为奇数(记录与 TAG WORD)。Codec 文档每个代码一份。两份 Codec 文档的字段相同,只有 DECLARE 对象和名称(BIND)不同。
| TAG ID | 名称 | 字节数 | Codec ID | 规格文档 | TAG WORD |
|---|---|---|---|---|---|
0x072L | UTF8-TEXT-EVEN | 偶数 | 0x00000720 | 0x00000000/codecs/0x00000720/ | 0000 0111 0010 LLLL |
0x073L | UTF8-TEXT-ODD | 奇数 | 0x00000730 | 0x00000000/codecs/0x00000730/ | 0000 0111 0011 LLLL |
字段(规格文档)
FIELD 在文档中的顺序就是 Payload 字段的顺序(Codec 规格文档)。
| 顺序 | 字段(BIND) | FIELD | 宽度 | 接收格式(CODEC) | ENUM |
|---|---|---|---|---|---|
| 1 | bytes | #2 | 剩余原始值(0xFFFF) |
UTF8-TEXT 是承载 RFC 3629 valid UTF-8 字节序列的 Value。用于标识符、代码、文件名等无语言标注的字符串。
布局
- 代码:Value 直接码
0x072L(偶数字节)·0x073L(奇数字节)。系列 TEXT。 - 字节数由 Codec 的最低位和 Payload WORD 数决定。即
2 × Payload WORD 数 − 最低位,不设 Byte Count(Value)。
TAG WORD 0000 0111 001P LLLL Codec 0x072L/0x073L
[Length 扩展 TAG] 总计 15 WORD 以上时
Payload WORD 1st ... Nth UTF-8 bytes / final zero padding
解释与有效性
- 字节序列必须是符合 RFC 3629 语法的 well-formed shortest-form UTF-8。解码结果只包含
U+0000..U+10FFFF范围内的 Unicode scalar value,不包含代理区U+D800..U+DFFF。 - Payload 开头的 U+FEFF(UTF-8 字节序列
EF BB BF)也视为与其他位置的 U+FEFF 相同的字符并予以允许。不做 RFC 3629 所述的开头 U+FEFF signature(BOM)处理。不去除,也不解释为 signature,按原文保存。 - 不强制 Unicode normalization。解码后的原文 scalar sequence 原样保存。
- 将有效的 UTF-8 字节序列不经转换放入 Payload。WORD 内高位 byte 在前。字节数为奇数(奇数代码)时,最后一个 WORD 中未使用的低位 byte 必须为
00。 - Payload WORD 数为
ceil(字节数/2)。若为奇数代码而最后一个 WORD 的低位 byte 不是00,则拒绝。
标准依据
- UTF-8 的 scalar 范围与 well-formed 字节序列遵循 RFC 3629。
- 奇偶代码对、zero padding、GEUL TAG/Length 与 16 位 WORD 排布是该格式的 canonical framing 规则。
长度
- 总长为 TAG 1 WORD、Length 扩展 TAG(如有)与 Payload 的 WORD 数之和。14 WORD 以下用直接长度,15 WORD 以上用
1110·1111扩展长度,扩展 TAG 也计入总数(Length)。 - 0 byte 字符串写成偶数代码的 1 WORD 记录(仅 TAG WORD)(Value)。
示例
A(41)为 1 byte(奇数),因此是UTF8-TEXT-ODD(0x073L),Payload 为4100,总计 2 WORD,LLLL=0001。整体为0731 4100。- 空字符串是
0720(UTF8-TEXT-EVEN,仅 TAG WORD)1 WORD。
规格文档原文
这是用 geul show 读取规格文档 0x00000000/codecs/0x00000720/latest.geul 的样子(十六进制为大写)。
SPEC-VERSION 0x0001
DOC-ID 0x0426000000000000072000000000
BODY
#1 DECLARE 0x0720
#2 FIELD #1 rest
#3 BIND #1 "UTF8-TEXT-EVEN"
#4 BIND #2 "bytes"
以上是 UTF8-TEXT-EVEN(0x072L)的 Codec 文档。其他成员(UTF8-TEXT-ODD)的 Codec 文档只在 DOC-ID 的 Codec ID、DECLARE 对象、#1 绑定的名称(BIND)上不同。