Cyrylica (i nie tylko) w URL (i nie tylko) :-)

[Marsjanin]

Witam!

Na początek pragnę się serdecznie przywitać, bom tu nowy.

Na drugi początek... Cóż, mam nadzieję, że za sam temat już planka nie
dostałem? No tak, grupa "o POLSKICH literkach w komputerach" - a ja tu
z ruskimi wyjeżdżam... Niemniej sprawa, o którą chce zapytać, ma nieco
wspólnego z polskimi ogonkami.

Najpierw może przykład...?

Otóż, Google jak zapewne wiecie, kodują polskie litery w linkach... No
właśnie - JAK? Wiem, że do zakodowania każdego znaku w np. linku
wyszukiwania Google, potrzeba jednego bajtu - zapisanego w formie
szesnastkowej poprzedzonego "%", np:



" -> %22
+ -> %2B
-> %20



Niemniej polskie litery takich bajtów potrzebują już dwóch:



ą -> %C4%85
ś -> %C5%9B



itd. Co to za system kodowania?

Idźmy dalej (do celu). :-) Trafiłem sobie na serwer, konkretnie
przedstawił się w widoku folderów w HTTP jako Apache. Na serwerze były
pliki o długich nazwach. Zapisane cyrylicą. W Apache widać tylko
początek nazwy pliku. Po zapisaniu plików na dysku, nazwy przyjęły
postać z linków, tj,:



abc.txt -> %xx%yy%xx%yy%xx%yy.txt



gdzie oczywiście xx oraz yy to dwa bajty odpowiedzialne za jedną
bukwę... Nie wiem, jak to rozgryźć. Chciałbym odzyskać te nazwy plików
- choćby i do pliku tekstowego, wiem, że mój Windows (ME) nie wspiera
Unicode. Skopiować to nie problem, ale co potem - jakiś konwerter?

Z góry dzięki za odpowiedzi, i przepraszam za ewentualny OT.

[Marcin 'Qrczak' Kowalczyk]

Post by Marsjanin
ą -> %C4%85
ś -> %C5%9B

To jest UTF-8 (i bajty zapisane szesnastkowo).

[Marsjanin]

Rok 2005 - styczeń. Koło 26-go. Chyba środa. Nieco po 0-ej.

Post by Marcin 'Qrczak' Kowalczyk
To jest UTF-8 (i bajty zapisane szesnastkowo).

Whaaa. Odpowiedź konkretna i ekspresowa. Dzięki. :-)

[Marcin Frankowski]

Wed, 26 Jan 2005 00:37:00 +0100, Marsjanin

Post by Marsjanin
Na początek pragnę się serdecznie przywitać, bom tu nowy.

Cześć, witaj :-)

Post by Marsjanin
Na drugi początek... Cóż, mam nadzieję, że za sam temat już planka nie
dostałem?

Nie (a przynajmniej nie ode mnie jak widać).

Post by Marsjanin
ą -> %C4%85
ś -> %C5%9B
itd. Co to za system kodowania?

To jest UTF-8 w postaci encji szesnastkowych. W UTF-8 znaki polskie i
cyrylica (i dość dużo innych znaków) są kodowane w dwóch bajtach.

Odkodowanie na piechotę jest dość upierdliwe:
1. najpierw przekształcasz oba bajty do postaci binarnej:
C4 85 -> 11000100 10000101
2. teraz ze starszego bajtu wyrzucasz pierwsze 110, a z młodszego -
pierwsze 10, po czym łączysz obie części w jedną liczbę dwójkową
11000100 10000101 -> 00100 000101 -> 00100000101
3. przekształcasz do postaci dziesiętnej lub szesnastkowej
00100000101 -> 261(dec) albo 105(hex)
4. z http://www.unicode.org/charts/ ściągasz tablicę znaków w
odpowiednim zakresie unikodu (cyrylica) i w niej szukasz znaku o
znalezionym kodzie.

Niestety nie znam łatwiejszej metody ani żadnego narzędzia do
ułatwienia sobie zadania.

Wszystkie małe Windowsy (95, 98 i ME) mogą obsługiwać znaki spoza ascii
w nazwach katalogów i plików wyłącznie pod warunkiem, że te znaki
należą do obecnie używanej strony kodowej, więc nie możesz mieć plików
z nazwami zawierającymi znaki cyrylicy. Tzn. możesz mieć te pliki, ale
nie będziesz mógł ich otworzyć bez wywalenia obsługi strony kodowej 852
i wstawienia za to obsługi strony kodowej 866. Będziesz mógł jedynie
wpisać sobie te nazwy bukwami w jakimś pliku (IMO nie tekstowym, tylko
co najmniej RTF).

Mam nadzieję, że dobrze zrozumiałem Twój problem.

[Marsjanin]

Rok 2005 - styczeń. Koło 26-go. Chyba środa. Nieco po 10-ej.

Post by Marcin Frankowski
To jest UTF-8 w postaci encji szesnastkowych. W UTF-8 znaki polskie
i cyrylica (i dość dużo innych znaków) są kodowane w dwóch bajtach.

Rozumiem, że chyba wszystkie poza US-ASCII?
Ojjj, fakt...

Post by Marcin Frankowski
Niestety nie znam łatwiejszej metody ani żadnego narzędzia do
ułatwienia sobie zadania.

:-( Trudno. Dzięki Ci i za te wskazówki! Może coś mi się uda pod
jakimś Wordem, czy Excelem... Ostatecznie poproszę kumpla o jakiś
programik w Pascalu (o ile sie da). :-)

Post by Marcin Frankowski
Będziesz mógł jedynie wpisać sobie te nazwy bukwami w jakimś pliku
(IMO nie tekstowym, tylko co najmniej RTF).

Ależ dlaczego nie? .txt się do tego nadaje, tylko czcionkę trzeba
zmienić na ...Cyr, z tego co wiem...? Chyba, że o kodowanie Unicode
chodzi... Hmm, no tak, przecież tak zakodowany plik jest chyba w
CP-1251... Hmm. No cóż, dzięki za klucz do rozwiązania zagadki.

[Marcin 'Qrczak' Kowalczyk]

Post by Marsjanin

Post by Marcin Frankowski
To jest UTF-8 w postaci encji szesnastkowych. W UTF-8 znaki polskie
i cyrylica (i dość dużo innych znaków) są kodowane w dwóch bajtach.

Rozumiem, że chyba wszystkie poza US-ASCII?

Nie, niektóre w trzech albo czterech.

[Marsjanin]

Rok 2005 - styczeń. Koło 26-go. Chyba środa. Nieco po 19-ej.

Post by Marcin 'Qrczak' Kowalczyk

Post by Marsjanin

Post by Marcin Frankowski
To jest UTF-8 w postaci encji szesnastkowych. W UTF-8 znaki
polskie i cyrylica (i dość dużo innych znaków) są kodowane w
dwóch bajtach.

Rozumiem, że chyba wszystkie poza US-ASCII?

Nie, niektóre w trzech albo czterech.

Aaa, w tę stronę... No tak. Ale które w jednym?

[Marcin 'Qrczak' Kowalczyk]

Post by Marsjanin

Post by Marcin 'Qrczak' Kowalczyk

Post by Marsjanin

Post by Marcin Frankowski
To jest UTF-8 w postaci encji szesnastkowych. W UTF-8 znaki
polskie i cyrylica (i dość dużo innych znaków) są kodowane w
dwóch bajtach.

Rozumiem, że chyba wszystkie poza US-ASCII?

Nie, niektóre w trzech albo czterech.

Aaa, w tę stronę... No tak. Ale które w jednym?

W jednym tylko ASCII.

http://en.wikipedia.org/wiki/UTF-8

[Marsjanin]

Rok 2005 - styczeń. Koło 26-go. Chyba środa. Nieco po 23-ej.

Post by Marcin 'Qrczak' Kowalczyk

Post by Marsjanin
Aaa, w tę stronę... No tak. Ale które w jednym?

W jednym tylko ASCII.
http://en.wikipedia.org/wiki/UTF-8

<KLIK!> Dzięki.