Odo.lv » Recipes » UTF rakstzīmju pārveidošana uz ASCII izņēmumu simbolu ķēdi

Warning: Šis apraksts jau vairāk ka gadu nav mainīts. Iespējams, ka tas ir novecojis!

UTF rakstzīmju pārveidošana uz ASCII izņēmumu simbolu ķēdi

Lai arī pasaulē arvien plašāk tiek izmantota UTF-8 rakstzīmju kopa, daudzās vietās vēl arvien tiek atbalstīti tikai ASCII kodu tabula, kur citas rakstzīmes kodē ar izņēmumu simbolu ķēdi.

Šeit ir aprakstīts, kā pārkonvertēt tekstu no UTF-8 uz ASCII kodu tabulu ar izņēmumu simbolu ķēdi, izmantojot bash skriptu un sed redaktoru.

Kodējumu paraugiem tiek izmantots sekojošs teksts:

Glāžšķūņa rūķeļi koncertflīģelī aŗ šķērēm klusi griež Baham nočiepto zivju desu.

un atkarībā no pielietojuma, šī teksta UTF-8 rakstzīmes tiek pārveidotas uz ASCII kodējumu dažādos veidos.

Java String tipa mainīgā pieraksts

Java String mainīgā pierakstā tiek izmantota forma u0aaaa, kur aaaa ir rakstzīmes kods UTF-16 kodējumā, izmantojot heksadecimālo pierakstu.

Latviešu mīksto un garo burtu pieraksts šajā kodējumā ir sekojošs:

Ā	\u0100
ā	\u0101
Č	\u010C
č	\u010D
Ē	\u0112
ē	\u0113
Ģ	\u011E
ģ	\u0123
Ī	\u012A
ī	\u012B
Ķ	\u0136
ķ	\u0137
Ļ	\u013B
ļ	\u013C
Ņ	\u0145
ņ	\u0146
Ō	\u014C
ō	\u014D
Ŗ	\u0156
ŗ	\u0157
Š	\u0160
š	\u0161
Ū	\u016A
ū	\u016B
Ž	\u017D
ž	\u017E

Piemēra teksts Java String kodējumā ir sekojošs:

Gl\u0101\u017E\u0161\u0137\u016B\u0146a r\u016B\u0137e\u013Ci koncertfl\u012B\u0123el\u012B a\u0157
\u0161\u0137\u0113r\u0113m klusi grie\u017E Baham no\u010Diepto zivju desu.

HTML izņēmumu simbolu pieraksts

HTML vai XML izņēmum simbolu pieraksts ir formā &#aaaa;, kur aaaa ir rakstzīmes kods UTF-16 kodējumā, izmantojot decimālo pierakstu. Izmantojot izņēmumu simbolu pierakstu var ievietot simbolus, kas nav atļauti faila metaatribūtos norādītajā kodējumā.

Latviešu mīksto un garo burtu pieraksts šajā kodējumā ir sekojošs:

Ā	&#256;
ā	&#257;
Č	&#268;
č	&#269;
Ē  	&#274;
ē 	&#275;
Ģ  	&#290;
ģ 	&#291;
Ī  	&#298;
ī 	&#299;
Ķ  	&#310;
ķ 	&#311;
Ļ  	&#315;
ļ 	&#316;
Ņ  	&#325;
ņ 	&#326;
Ō	&#332;
ō	&#333;
Ŗ	&#342;
ŗ	&#343;
Š  	&#352;
š 	&#353;
Ū  	&#362;
ū 	&#363;
Ž  	&#381;
ž 	&#382;

Piemēra tekstu HTML var ierakstīt CP-1252 kodējumā ar izņēmuma simboliem:
```
Gl&#257;&#382;&#353;&#311;&#363;&#326;a r&#363;&#311;e&#316;i koncertfl&#299;&#291;el&#299; a&#343;
&#353;&#311;&#275;r&#275;m klusi grie&#382; Baham no&#269;iepto zivju desu.
```
un šos izņēmumu simbolus pārlūkprogramma parāda kā UTF rakstzīmes:
Glāžšķūņa rūķeļi koncertflīģelī aŗ šķērēm klusi griež Baham nočiepto zivju desu.

Vietrāžu izņēmumu simbolu pieraksts

Tīmekļa vietrāžos (URI, jeb konkrēti URL) UTF simbolus kodē, izmantojot izņēmuma simbolu pierakstu formā %aa%bb, kur aa bb ir rakstzīmes kods UTF-8 kodējumā, izmantojot heksadecimālo pierakstu. Piemēram, Vikipēdijas šķirklis Ķeipene ir ar vietrādi http://lv.wikipedia.org/wiki/%C4%B6eipene, ko pārlūkprogramma automātiski pārvērš un parāda kā http://lv.wikipedia.org/wiki/Ķeipene.

Latviešu mīksto un garo burtu pieraksts šajā kodējumā ir sekojošs:

Ā	%C4%80
ā	%C4%81
Č	%C4%8C
č	%C4%8D
Ē	%C4%92
ē	%C4%93
Ģ	%C4%A2
ģ	%C4%A3
Ī	%C4%AA
ī	%C4%AB
Ķ	%C4%B6
ķ	%C4%B7
Ļ	%C4%BB
ļ	%C4%BC
Ņ	%C5%85
ņ	%C5%86
Ō	%C5%8C
ō	%C5%8D
Ŗ	%C5%96
ŗ	%C5%97
Š	%C5%A0
š	%C5%A1
Ū	%C5%AA
ū	%C5%AB
Ž	%C5%BD
ž	%C5%BE

Piemēra teksts URI kodējumā ir sekojošs:

Gl%C4%81%C5%BE%C5%A1%C4%B7%C5%AB%C5%86a r%C5%AB%C4%B7e%C4%BCi koncertfl%C4%AB%C4%A3el%C4%AB a%C5%97
%C5%A1%C4%B7%C4%93r%C4%93m klusi grie%C5%BE Baham no%C4%8Diepto zivju desu.

Konvertēšanas rīki.

Šīs lapas pielikumos ir pievienotas kodu konvertēšanas tabulas un Bash skripts utf2ascii, kas ļauj konvertēt teksta failus uz izņēmumu simbolu kopām minētajos kodējumos.