Jo, na windowsácké UTF-16 to dá, ale jak do toho nacpeš UTF-32? A neříkej že to se ti NIKDY stát nemůže, čtyřbytové IP adresy také měly stačit navždy...
Jak? Jednoduše! Musíš si uvědomit, čím UTF-? jsou a čím nejsou! Je to způsob, jak kódovat číselné kódy unicode znaků do bajtů. No a unicode prostor má rozsah 000000-10FFFF. Z toho ti plynou dvě věci:
V případě použití UTF-8 budeš potřebovat maximálně 4 bajty. Nejde totiž o to pomocí UTF-8 ukládat 32 bitová čísla, ale unicode kódy znaků!
V případě použití UTF-32 ne každá 32 bitová hodnota je přípustná (kóduje nějaký unicode znak).
Jasně, a také 640 KB musí stačit každému a se Sovětským svazem na věčné časy ;-) Kromě toho žádná další RFC už také nikdy nebudou a nezmění to zase jinak... Mimochodem, ne 32 ale 31 bitová, jak píše CHe níže.
Takže ty tedy říkáš, že mé tvrzení, že znak kódovaný v UTF-8 podle normy nemůže zabrat více jak čtyři bajty, je nepravdivé, protože v budoucnu se může objevit nová norma? Ty jsi teda kus demagoga.
Až se změní, tak se změní. Ale nemá smysl nyní tvrdit a argumentovat, že těch bajtů může být maximálně šest, když žádný takový znak v unicodu neexistuje a podle aktuální normy existovat nemůže. A až se norma změní, bude to třeba více než šest ;-)
Mimochodem, ne 31 ale 32 bitová, jak jsem již psal. Neboť i když byl unicode prostor původně 31 bitový, nic to nemění na tom, že:
UTF-32 is the simplest Unicode encoding form. Each Unicode code point is represented directly by a single 32-bit code unit. (Unicode Standard 6.0)
Přesto ale:
As for all of the Unicode encoding forms, UTF-32 is restricted to representation of code points in the range 0-10FFFF - that is, the Unicode codespace. This guarantees interoperability with the UTF-16 and UTF-8 encoding forms. (Unicode Standard 6.0)
The original specification allowed for sequences of up to six bytes, covering numbers up to 31 bits (the original limit of the Universal Character Set). In November 2003 UTF-8 was restricted by RFC 3629 to four bytes covering only the range U+0000 to U+10FFFF, in order to match the constraints of the UTF-16 character encoding.
