Nem Chua

Re: pourquoi 2^31?

Je m’y essaye.

2 puissance 31 = 2,147,483,648.

Si on codait brutalement sur 4 octets comme UTF-32 (Abgech, est-ce la même chose qu’UCS4?), on aurait les caractères de 0 à 2^32-1, soit deux fois plus. En UTF-8, on a perdu de la capacité de coder des très grands nombres. Ỏu est l’intérêt? C’est la capacité de coder simplement et légèrement les fichiers les plus courants.

Quand on code en UTF-8, on peut employer un seul octet pour les 128 premiers caractères, de 0 à 127, et le bit de poids fort de l’octet est à 0. Quand ce bit est à zéro, l’application sait dire que c’est un octet seul, et interpréter 65dec (décimal), soit 01000001bin (binaire) comme la lettre A.

Pour les caractères de numéro supérieur à 127, pour deux octets, le premier octet commence par 110, suivi de 5 bits significatifs (les bits de poids fort du numéro unicode), puis un deuxième octet qui commence par 10 suivi de 6 bits significatifs. On encore donc 2^(5+6) = 2^11 = 2048 caractères.

Pour plus de caractères, on emploie 3 octets: 1110xxxx 10yyyyyy 10zzzzzz, soit 2^16 = 65536 caractères. Juste assez pour tous les caractères existants. Sur 4 octets, on code sur 4 octets: 11110www 10xxxxxx 10yyyyyy 10zzzzzz, donc 3w, et 6 x, y et z, donc 2^21. Je n’ai jamais vu de caractère encodé sur 4 octets. Ca doit exister. UTF-8 peut encoder par définition jusqu’à 6 octets: le premier 1111110x et 5 octets de la forme 10yyyyyy, soit 2^ (6 * 5 = 30 + 1 = 31) (le dernier bit du premier octet, qui est significatif).

Bingo.

On perd donc une part importante de la capacité de coder des grands nombres. (sur 6 octets, on peut coder en brut 6^36 caractères, soit 32 fois plus.

L’intérêt de ca, à part que peu de périphériques sont en 32 bits, c’est aussi que l’immense majorité des fichiers et des données sont essentiellement de l’ASCII –même si sur Linux on peut tout-à-fait écrire un source en UTF-8 avec du viet dans le texte et ca sera compilé sans souci, le programme lui-même, par exemple, est en ASCII, donc codé sur 7 bits.

De plus, cet encodage est « auto-synchronisé », c’est-à-dire que si on capte un flux de données, on peut toujours savoir à partir de quel octet on doit décoder pour avoir un texte clair.

Si la norme ISO 10646 ne définit d’encodage que sur 6 octets et non 7 (on pourrait imaginer 11111110 et 6 fois 10xxxxxx pour encoder 2^36 caractères), ca doit être que ca permet de se synchroniser même si on capte un flux de bits sans synchro, donc même si on ne sait pas òu commencent et òu finissent les octets. La classe.

C’est beau, l’info, quand c’est bien fait.

En tout cas, UTF-8 n’est pas près de se faire supplanter par un autre encodage, c’est son immense force. (Jusqu’à ce que le Chinois ou le Bengali supplante l’anglais pour l’info!)

Il n’y a vraiment que Windows pour ne pas vouloir implémenter ca proprement: comme ils ont une grosse part de marché, ca leur permet de garder une clientèle captive. Sur le web, le standard impose de savoir au moins reconnaitre UTF-8.

Dédé: le billet de 100 đồng non plus n’a pas l’effigie de l’oncle Hồ.

CEla dit, celui-là a respecté les cloisons fermées sur les côtés.

Rien de pire que de percer une fenêtre pour se la voir combler de briques un beau matin (surtout que le macon n’ayant pas accès à ton côté de son mur fait souvent un mur bien moche).

Les IDE comptabilisés ici sont encore des promesses d’apport de capital. Or historiquement sur ces 15 dernières années, le Vietnam a vu se matérialiser seulement une fraction de ces promesses.

Qui vivra verra.

Si on attend que tous les membres soient là… Je propose Février 2009?

lẩu dê, c’est de la chèvre. (Paul, tu dois connaitre con dê 35, non?)

L’agneau, c’est cừu non. Ca se mange aussi, mais c’est plus rare.

Et, Paul, ton cochon, on dirait bien un Mong Cai. Faudrait demander à Olivier, c’est par chez lui qu’on en voit beaucoup.

Pour ma part, je reste dans les parages. Entre 17 et 21, ce serait cool.

J’ai tendance à écrire TP. Hồ Chí Minh (et pas TPHCM), et à prononcer Sài Gòn, sauf effectivement s’il y a uniforme ou contexte formel.

Mais un courrier adressé à saigon n’arrive pas. Et à TP.HCM pas sur.