Unicode w praktyce

Krótka rzecz o codziennych zastosowaniach standardu Unicode. Bo to nie tylko fantazyjne wzorki i śmieszne znaczki, ale na przykład polskie „właśnie takie” cudzysłowy.

 

 Jak już wszyscy się zorientowali – kilka słów na temat kodowania znaków, w tym wypadku standardu Unicode. Kto z grubsza wie o co chodzi, prawdopodobnie nie dowie się tu niczego nowego, gdyż za cel obrałem sobie jedynie zwięzłe przedstawienie możliwości jakie daje Unicode; po więcej informacji zapraszam do lepszych opracowań.
 W rzeczywistości nie sposób wszystkiego zapamiętać, nie warto nawet próbować. Ważne jedynie żeby wiedzieć gdzie szukać, jeśli coś jest tego warte, samo wejdzie do głowy.
 

Czym jest kodowanie znaków

 Nikogo nie powinno dziwić stwierdzenie, że komputery są w stanie manipulować wyłącznie liczbami. Aby w prosty sposób przedstawić litery, najprościej kolejnym liczbom przyporządkować kolejne znaki (1–A, 2–B, 3–C, …). W ten sposób powstało kilka standardów… w zamierzchłych czasach przyprawiających wszystkich o nagłe skoki ciśnienia, kiedy zamiast upragnionych „ogonków” w tekście pojawiały się „krzaczki”. Aby temu zaradzić powstał (przynajmniej w zamyśle) uniwersalny standard, obejmujący wszystkie znane i całą masę nikomu nieznanych alfabetów i wszelkich przydatnych znaków.

 Dla łatwego poruszania się w zawiłościach Unicode, wszystkie je podzielono na bloki. Przy okazji nadano im ludzkie nazwy, całość mniej więcej prezentuje się w ten sposób i głównie na tym będę się opierał w dalszej części. Oczywiście istnieje całe bogactwo informacji na ten temat, np. tutaj jest więcej informacji dla lubiących angielski.
 W tym miejscu nie da się uniknąć jeszcze kilku drętwych uwag. Po pierwsze, aktualny pozostaje mechanizm: jedna liczba – jeden znaczek. Po drugie, wprowadzanie znaków: można je wstawiać metodą Copy'ego- Paste'a*, można używać systemowej „tablicy znaków”, można też używać wyłącznie klawiatury.
 Ostatnia metoda różnie wygląda w różnych systemach operacyjnych. W Windowsach wystarczy przytrzymać klawisz alt i wprowadzić numer znaku, używając klawiatury numerycznej. W Linuksie (chyba najczęściej) jest to kombinacja klawiszy ctrl+ shift+ u a następnie numer znaku analogicznie jak w Windowsie. Do tego dla numerów znaków używa się zapisu dziesiętnego i szesnastkowego, mam nadzieję, że każdy sobie z tym poradzi. W razie problemów liczę na pomoc w komentarzach wiedzących więcej ode mnie.
 
*Ta metoda nie obejmuje wyłącznie ctrl+ c, ctrl+ v, ale też często wygodniejsze:
 ctrl+ insert – kopiuj
 shift+ delete – wytnij
 shift+ insert – wklej
 

Ad rem

Podstawowy łaciński
Tu można znaleźć większość znaków znajdujących się bezpośrednio na klawiaturze. Ich numery zgodne są ze standardem ASCII, pierwszym powszechnie używanym.
(W dalszej części będę zatrzymywał się tylko przy co ciekawszych „rozdziałach” i znakach).

Dodatek do alfabetu łacińskiego i Rozszerzenie alfabetu łacińskiego – część A i część B
W tym miejscu można znaleźć nie sprawiające już kłopotów „ogonki”, litery takie jak znane wszystkim:

szesnastkowo dziesiętnie znak – ewentualny komentarz
 00F3 243 ó
 0104 260 Ą
 0142 322 ł
ale też użyteczne w innych językach:
 010C 268 Č
 00DC 220 Ü
 00E0 224 à
Warto samemu rzucić okiem

Cyrylica
Znajdziemy tu nie tylko znaki niezbędne do pisania po rosyjsku ale, w razie potrzeby, znacznie więcej. Przy okazji ciekawostka, dwa skrótowce, które pomimo podobnego wyglądu składają się z różnych liter: CCCP (alfabetem łacińskim) i СССР (cyrylicą)

Znaki interpunkcyjne
Od tego powinienem zacząć, pod tym hasłem kryją się najczęściej używane znaki niedostępne bezpośrednio na klawiaturze:
półpauza i pauza (używane jako myślniki)
 2013 8211 –
 2014 8212 —
to coś zupełnie innego niż widoczny na klawiaturze dywiz (używany jako łącznik)
 002D 45 -
i coś innego niż minus (jako symbol matematyczny, ale o tym niżej)
 2212 8211 −

podobnie wielokropek to nie trzy kropki (mogą się rozjechać np. przy justowaniu wiersza)
 2026 8230 …

należy też zapomnieć o obecności znaku " na klawiaturze, poprawne polskie cudzysłowy to
 201E 8222 |„
 201D 8221 |”

do wyboru mamy też spacje o różnych szerokościach:
 2002 8194 M M – szerokości połowy litery M (najszerszej litery); podobnie jak półpauza
 2003 8195 M M – szerokości takiej jak M; podobnie jak pauza
 2004 8196 M M – jedna trzecia M
 2005 8197 M M – czwarta część M
 2006 8198 M M – szósta część
 200A 8202 M M – najwęższa spacja
 wspominam o tym, bo przydaje się to przy pisaniu np. komentarzy… ale zastosowanie niech każdy znajdzie sam.

inne przykładowe znaki
 2030 8240 ‰
 2031 8241 ‱
 2047 8263 ⁇
 2048 8264 ⁈
 2049 8265 ⁉

Operatory matematyczne
Każdy znajdzie coś dla siebie. O ile minus już się pojawił, „dubluje” się również znak mnożenia:
 2217 8727 ∗

przykładowe znaki:
 221E 8734 ∞
 2227 8743 ∧
 2228 8744 ∨
 2248 8776 ≈
 2261 8801 ≡
 2264 8804 ≤
 2265 8805 ≥
 226B 8811 ≫

Różne symbole
 2603 9731 ☃
 2610 9744 ☐
 2611 9745 ☑
 2612 9746 ☒
 2622 9762 ☢
 262D 9773 ☭
 2640 9792 ♀
 267F 9855 ♿

Ozdobniki
Kształty przydatne głównie w tekstach drukowanych
 2701 9985 ✁
 2702 9986 ✂
 2703 9987 ✃
 270D 9997 ✍
 270E 9998 ✎
 2722 10018 ✢
 2725 10021 ✥
 2731 10031 ✱
 2740 10048 ❀
 275E 10079 ❞
 2766 10086 ❦
 2780 10112 ➀
 2781 10113 ➁
 279F 10143 ➟

Ramki
Bez przykładów, ostatnio były w nadmiarze na mikroblogu

Indeksy górne i dolne
 2070 8304 |⁰
 2071 8305 |ⁱ
 00B2 178 |²
 00B3 179 |³
 2074 8308 |⁴
 2079 8313 |⁹
 207B 8315 |⁻
 207D 8317 |⁽
 207E 8318 |⁾
 2080 8320 |₀
 2081 8321 |₁
 2089 8329 |₉

np. X⁻⁽ⁿ⁺ⁱ⁾, Δ₂

Strzałki, więcej strzałek
Jest z czego wybierać, np:
 2190 8592 ←
 2191 8593 ↑
 2192 8594 →
 2193 8595 ↓
 2197 8599 ↗
 2198 8600 ↘
 21D2 8658 ⇒

Pismo Braille'a
Małe wprowadzenie. System Braille'a opiera się na prostokącie, kolejne punkty to:
 ➀ ➃
 ➁ ➄
 ➂ ➅
 ➆ ➇
Litera n to zaznaczone punkty 1, 3, 4, 5. Wygląda to więc tak:
 ➊ ➍
 ➁ ➎
 ➌ ➅
 ➆ ➇
⠝ – n

 2828 10280 ⠨ – znak wielkiej litery
 283A 10298 ⠺ – W
 283D 10301 ⠽ – y
 2805 10245 ⠅ – k
 2815 10261 ⠕ – o
 280F 10255 ⠏ – p
⠨⠺⠽⠅⠕⠏ – Wykop

Ułamki, liczby rzymskie
 00BD 189 ½
 2189 2585 ↉
 2153 8531 ⅓
 2154 8532 ⅔
 00BC 188 ¼
 00BE 190 ¾
 2155 8533 ⅕
 2156 8534 ⅖

 2160 8544 Ⅰ
 2161 8545 Ⅱ
 2167 8551 Ⅷ
 2170 8560 ⅰ
 2171 8561 ⅱ
 2177 8567 ⅷ

Znaki fonetyczne, i jeszcze kilka
Międzynarodowy alfabet fonetyczny (IPA) to robaczki spotykane najczęściej w słownikach angielskiego. Warto wiedzieć, że zapis taki można gdzieś po prostu wkleić i są duże szanse na poprawne wydrukowanie.

Znaki diakrytyczne
Na koniec najciekawsze (przynajmniej dla mnie). To dość szczególne znaki, ponieważ nie występują samodzielnie, ale modyfikują znak poprzedzający. Podobnie wstawia się samogłoski w hebrajskim, dziś tego nie będziemy robić.
Akcenty:
 0301 769 –̀ – gravis (na Szczecin)
 0301 770 –́ – acutus (na Białystok)
 0302 771 –̂ – circumflexus
 0303 772 –̃ – tylda
 0304 773 –̄ – makron
 0331 817 –̱ – makron, ale pod spodem
 0332 818 –̲ – linia pod znakiem, od biedy można tym p̲o̲d̲k̲r̲e̲ś̲l̲a̲ć̲ jeśli np. na wykopie ktoś nie dał takiej możliwości

Podsumowanie

 Mam nadzieję, że tyle wystarczy żeby przynajmniej kilka osób zainteresować. Tak jak pisałem na początku, dobrze jest samodzielnie zapoznać się z ofertą, kiedy przyjdzie potrzeba zawsze można odnaleźć znaczek który gdzieś tam kiedyś był.
Starałem się unikać błędów, ale znając siebie jakaś literówka albo zgubiony przecinek na pewno mi się przytrafił. Myślę że błędy merytoryczne i ewentualne problemy najdą swoje rozwiązanie w komentarzach. Liczę więc na waszą pomoc, ja żadnym ekspertem nie jestem.

Do tego tekstu nie roszczę sobie większych pretensji więc bierzcie, dzielcie się (jeśli warto) i poprawiajcie.

[M.....r]

Z̢̻̙̫̩͉̗͙̱̺̫̠̲͖̙̟̹̙ͣͬ̔̂͐̇̔ͬ̚̚͡a̡͋̀̓̅ͬͧ͢҉̮̝̥͇̤̯̗͍̞̫ͅẃ̢̒ͪ̃̒̒̋̒̐̂̀̈́̾́҉̖̤̝͚͓̘̼͈͠͠ͅș̷̪̬̭̤͈̙̰̣͉̅͑̀͐̂ͩ͛̔̽̆̓̒̓̊͒͟z̢̛͎͎̝͚͚̥͐́̆̈́ͪ̂ͥ̑͞e̴̡̢̻͓͍̖͔̜̺̝̩ͤ̾ͨ͛ͮ̇ͩ͑ͭ͗̆̂̚͟͢ ̸̛̹͈͉̥̗͕͓̱͈̪͎̠͚̊̏̉̒̏ͪ̎̀̽̉̒ͫ͑̀͜m̴̙͈̮͎͇͎̠̘̺͍̙͔͇͓̳̳͗̊̆͌͛͆̒́̉̊̓̑̍͛ͫ̍͢͠n̶̛̳͓̳̲͈͚̊̀̽͒̽ͥ̈́̓ͯͩͥͮ́́͟͜i̓̎ͭ̾̀͂ͮ͑ͨ͐ͫͨ͑ͣ͛ͦ͐ͯͩ҉́҉҉͕̱̝̙̲̦̻̠͓͇̤̲͔̳̟e̢̮̹͚͕͚̭̰̗̗͙̪̟͊̿ͮ͒̒̂̅͌ͧͧͣͭ͡ ̨͓̤̺̱̗̰̺̯̯̪̙͉̳̈́̆̂͂̔͑͒͑̌̾ͥ̔̀z̶̑̍̽ͮ̀́̄̾̆҉̸̬̹̫̘̱̤̩͟a̵̶̧̲̰͇̙͓̣̹̝̬̥͋̉ͮ̾͊̉̿͑̃ͥ́̚̕ş̴͓̝͚̮̳̰͈͔͙͖̦̦͛̃ͮ̎ͮ̀̏̽͗̉̏̇́̕͡ͅt̖̼̲͔̻͈̓͐̄ͬ͐̎ͥ̾ͫ̓̉ͨ̇̐̓ͬ̔́̀̚͝͠͡ȃ̵̴͙̣͇̮̟̲̪̜̫̺̯̮̠̝̻̣̠ͯͪͧͩ́ͭͪ̒ͣ̽̕ͅn̢͚͙̞̝̩̻͐ͧ̇̀̈́͆ͦ̎ͨͪ̒̽̄ͮ̓ͪ́̀͢͝a̵̧̛̬̭̞͔͓̦͉̪̟͖͉̥̳̻̭̞͐ͥ̆̅̔́͋̎ͦͨ̚̚͢w̦̟̳̳̱̫̝̘͋̌͌̓͗̓ͪ̀ͬ̑ͤ̔̀͟͟͡ͅï̪͉̺̳͓͙̤͉̼̂̓ͬ̎̓̀̀͝a̡̪̤̼̫̞̯̱͓̫̼̙̻̺̤͔̯̒ͮ̀͑̈͊͆̉͊͊̈́̌ͬ̃̉̽̕͝͝ł̔̅̈̆̀̌ͬ͊̉̔͋ͬͦ҉͏̨̜͇̺̣̫͉̳̰͍͘͞o̶̡̠̞̗̩͇̳͓͓͎̮͋ͫ͒̇ͩͮͯ̉̓̽ͣͮ̌͢,̴̛͖̙̻̞̪ͬͮ͑̈ͪ́͜ ̷ͮ͂ͨͩ̿ͭ̎ͣ̌̑̈̈̽ͧͨ̽ͥ̒͝҉͓̼̞̗̥̪̙͔ͅͅn̵̴͓̖̗͔͍͇̣͔̺̞̰̜͚̮̻ͦ̊̔̔̇ͦ̀̔̀̏͆̆̈̍͌͡ȧ̵̰͎̘̫̑̆̑ͪ͌ͦ̑ͣ͢ ̴̨̟̗͚̠̤̫̲̯͙͚̩̭̪͎ͥͬ̓ͭ̄̉̈́ͧ̿ͮ̋̔̿̌͗̀̚͢j̷̢̧̛̣̮̲̘̮͇͖̞ͥ̅̈́̐ͭͤͧ͑̆̍ͯͯ͘á̸̓͛͌͐ͫ̔̒̿̄̾̽́͟͡͠

[G.....r]

@MlodyDziadzioSpamer: Zepsułeś mi wykop :((

[Bolerro]

@MlodyDziadzioSpamer:

@GGrindzior: Google też się na tym sypie :D

[p.....w]

Taka mała uwaga --- symbol [2217 8727 ∗] nie jest używany w matematyce jako znak mnożenia (przynajmniej nie w prawdziwej matematyce). Jego prawidłowe zastosowanie to oznaczanie tzw. splotu (np. funkcji). Może to nieistotne dla laików, ale warto uważać na tę "delikatną" różnicę.

[staa]

@pogromca-idiotow:

Dziękuję za poprawkę. Zauważyłem kolejny asterysk i chciałem odróżnić ∗ od *, nad znaczeniem wiele się nie zastanawiając. Uzmysłowił mi to 11mariom we wcześniejszym komentarzu

D7 215

× –

[3.....X]

ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็ส็็็็็็็็็็็็็็็็็็็็็็็็็

CO TERAS

[GienekBandyta]

@3diX: jajco ส็็็็็็็็็็็็็็็็็็็(ಠ益ಠส็็็็็็็็็็็็็็็็็็็

[m.....i]

@3diX: Widzę, że to dziwne zafascynowanie tajskimi znaczkami ma się dobrze.

[pinol]

Pamiętam, że przestałem używać IRCa, ponieważ ktoś powiesił temat z prośbą, aby nie używać polskich znaków, zamiast temat z prośbą, aby przestawić sobie klienta na UNICODE... Mam wrażenie, że pośród ludzi siedzących na IRCu panuje pewnego rodzaju intelektualne i technologiczne zacofanie :P

[sidhellfire]

@pinol: Oni są po prostu zacofani technologicznie, nie lubią zmian. Podobnie jak ludzie na usenecie. I w cale nie chodzi o to, że używają starych rozwiązań, bo póki są dobre, nie ma problemu, ale dużo osób tam obecnych to informatyczna patologia.

[cherrycoke2l]

Mnie kiedyś jakiś pomocny Wykopowicz podał linka do polskiego układu klawiatury, zgodnego z polskim programisty, ale rozszerzonym o parę znaków wspomnianych w artykule, takich jak – — „ ” ° ‰ … (wielokropek). Oprócz tego: Ω ® ™ © € µ. Jestem zadowolonym użytkownikiem od dłuższego czasu :)

http://dl.dropbox.com/u/5471909/klawiatura.zip

[11mariom]

@cherrycoke2l: na Linuksie w sumie jest większość tych znaków. A resztę sam sobie dodałem i mam „”…×÷±°«»Ωµĸ - dużo tego, przydaje się. A bez „…” to ja już żyć nie mogę :D

[yojo2]

@cherrycoke2l: € akurat nie trzeba było dodawać - jest już standardowo pod Alt+U.

[golowicz1000]

Do czego może się to przydać poza spamowaniem na mikroblogu? :)

[mnlf]

@staa:

alt+shiht+0 = ° (łatwo zapamiętać bo stopień to takie małe zero)

A do znaków z obcych języków raczej używa się sekwencji

[staa]

@golowicz1000: Do składu nawet prostego tekstu.

Kiedyś błędem (ale nie tak od razu dyskwalifikującym) było „spacjowanie” tabulatorów w Wordzie. Dziś stawia się już większe wymagania i tego rodzaju wariacje na temat tabulatora się wręcz wyśmiewa. Jeśli chodzi o skład tekstu, sprawa ma się analogicznie. Już średnio zaawansowane edytory zamieniają np. wszystkie cudzysłowy na polskie – jedyne właściwe, „wiele- kropek” na wielokropki itp. Dobrze jest zwracać na to uwagę, bo nie zawsze

[rezoner]

http://shapecatcher.com/

[laoong]

Gwoli ścisłości każdy programista powinien wiedzieć, że Unicode to zestaw metod jednoznacznego kodowania znaków na jednym do sześciu oktetów (UTF-8), jednej do dwóch wartości 16-bitowych (UTF-16, przy czym możemy wyróżnić podzbiór UCS-2 zawierający tylko znaki kodowane na jednej 16-bitowej wartości) oraz jednej wartości 32-bitowej (UTF-32, zwanym także teraz UCS-4, który ma zawsze 32 bity, bo można domniemać, że sam UTF-32 może być kiedyś rozszerzony na kodowanie znaku na wielu wartościach 32-bitowych).

Autor

[rezoner]

Unikod to standard, UTF to implementacja

[staa]

@qj0n: całe zamieszanie wzięło się chyba z zapisu 0xhex zamiast u+hex. Taką konwencję przyjąłem dla zgodności z wikisource.org (jako formalnym źródłem). Teraz zrobiłbym pewnie inaczej.

[msichal]

A ja „takie” cudzysłowy mam normalnie na klawiaturze. Pod KDE są w układzie „Polski (międzynarodowy z klawiszami akcentów)”, pod windowsem trzeba ściągnąć klawiaturę "akcent".

Swoją drogą cudzysłów w cudzysłowie robi się według polskich norm »tak«?

[Rincewind]

@msichal: »To« jest cudzysłów niemiecki, z tego co kojarzę u nas używa się «francuskich».

[koniczynek]

(╯°□°)╯︵ ┻━┻