Binární kódování textu - Binary-to-text encoding

Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto problémech na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) tento článek případně obsahuje původní výzkum. Prosím vylepši to podle ověřování vznesené nároky a přidání vložené citace. Výroky sestávající pouze z původního výzkumu by měly být odstraněny. (Duben 2010) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) tento článek potřebuje další citace pro ověření. Prosím pomozte vylepšit tento článek podle přidávání citací ke spolehlivým zdrojům. Zdroj bez zdroje může být napaden a odstraněn. Najít zdroje: "Binární kódování na text"  – zprávy  · noviny  · knihy  · učenec  · JSTOR (Prosinec 2012) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)

A kódování binárního textu je kódování z data v prostý text. Přesněji řečeno, jedná se o kódování binárních dat v posloupnosti tisknutelné znaky. Tato kódování jsou nezbytná pro přenos dat, když kanál neumožňuje binární data (např e-mailem nebo NNTP ) nebo není 8bitové čisté. PGP dokumentace (RFC  4880 ) používá výraz „Brnění ASCII"pro binární kódování textu, když se na něj odkazuje Base64.

Popis

The ASCII standard kódování textu používá 128 jedinečných hodnot (0–127) k reprezentaci abecedních, číselných a interpunkčních znaků běžně používaných v Angličtina plus výběr z kontrolní kódy které nepředstavují tisknutelné znaky. Například velké písmeno A je ASCII znak 65, číslice 2 je ASCII 50, znak } je ASCII 125 a metaznak návrat vozíku je ASCII 13. Systémy založené na ASCII používají k digitální reprezentaci těchto hodnot sedm bitů.

Naproti tomu většina počítačů ukládá data do paměti uspořádané do osmi bitů bajtů. Soubory, které obsahují strojově spustitelný kód a netextová data, obvykle obsahují všech 256 možných osmibitových bajtových hodnot. Mnoho počítačových programů se spoléhalo na tento rozdíl mezi sedmibitovým text a osmibitové binární data a nebude správně fungovat, pokud se v datech, u nichž se očekávalo, že budou obsahovat pouze text ASCII, objevily znaky jiné než ASCII. Například pokud není zachována hodnota osmého bitu, může program interpretovat hodnotu bajtu nad 127 jako příznak, který jí říká, že má provádět nějakou funkci.

Často je však žádoucí, aby bylo možné posílat netextová data prostřednictvím textových systémů, například když je možné k e-mailové zprávě připojit obrazový soubor. K dosažení tohoto cíle jsou data nějakým způsobem kódována, takže osmibitová data jsou kódována do sedmibitových znaků ASCII (obvykle se používají pouze alfanumerické a interpunkční znaky - ASCII tisknutelné znaky ). Po bezpečném příjezdu na místo určení je poté dekódován zpět do své osmibitové podoby. Tento proces se označuje jako binární kódování textu. Mnoho programů provádí tuto konverzi, aby umožňovalo přenos dat, například PGP a GNU Privacy Guard (GPG).

Kódování prostého textu

Metody kódování binárního textu se také používají jako mechanismus kódování prostý text. Například:

• Některé systémy mají omezenější znakovou sadu, kterou zvládnou; nejenže nejsou 8bitové čisté, někteří dokonce nemohou zpracovat všechny tisknutelné znaky ASCII.
• Jiné systémy mají omezení počtu znaků, které se mezi nimi mohou objevit konce řádků, například limit „1 000 znaků na řádek“ SMTP software, jak povoluje RFC  2821.
• Stále další přidávají záhlaví nebo přívěsy k textu.
• Několik špatně pokládaných, ale stále používaných protokolů vnitropásmová signalizace, což způsobuje zmatek, pokud se ve zprávě objeví konkrétní vzory. Nejznámější je řetězec „Od“ (včetně koncové mezery) na začátku řádku používaného k oddělení poštovních zpráv v mbox formát souboru.

Pomocí kódování binárního textu na zprávy, které jsou již prostým textem, a poté na druhém konci dekódování, je možné, aby se tyto systémy ukázaly jako zcela průhledný Toto se někdy označuje jako „pancéřování ASCII“. Například součást ViewState z ASP.NET používá base64 kódování pro bezpečný přenos textu přes HTTP POST, aby nedocházelo srážka oddělovače.

Standardy kódování

Níže uvedená tabulka porovnává nejpoužívanější formy kódování binárního textu. Uvedená účinnost je poměr mezi počtem bitů na vstupu a počtem bitů v kódovaném výstupu.

Kódování	Datový typ	Účinnost	Implementace programovacího jazyka	Komentáře
Ascii85	Libovolný	80%	awk, C, C (2), C#, F#, Jít, Jáva Perl, Krajta, Python (2)	Existuje několik variant tohoto kódování, Base85, Btoa atd.
Base32	Libovolný	62.5%	ANSI C., Jáva, Krajta
Base36	Celé číslo	~64%	bash, C, C ++, C#, Jáva, Perl, PHP, Krajta, Visual Basic, Rychlý, mnoho dalších	Používá Arabské číslice 0-9 a Latinská písmena A – Z ( Základní latinka ISO ). Běžně používá Přesměrování URL systémy jako TinyURL nebo SnipURL / Snipr jako kompaktní alfanumerické identifikátory.
Base58	Celé číslo	~73%	C ++, Krajta	Podobně jako Base64, ale upravený tak, aby nedocházelo k nealfanumerickým znakům (+ a /) a písmenům, která by při tisku mohla vypadat nejednoznačně (0 - nula, I - velké i, O - velké o a l - malá písmena L). Satoshi Nakamoto při vytváření vynalezl schéma kódování base58 bitcoin.[1] Některé systémy pro zasílání zpráv a sociální média konec řádku na nealfanumerických řetězcích. Tomu se zabrání nepoužíváním URI vyhrazené znaky například +. Pro segwit byl nahrazen Bech32, viz níže. Base58 v původním zdrojovém kódu bitcoinu
Bech32	1 bit (mainnet nebo testnet) plus 3 až 40 bajtů	není jednoduché procento, protože má 6 bajtů chyba opravující kód	C, C ++, JavaScript, Go, Python, Haskell, Ruby, Rust	Specifikace. Používá se v bitcoinech a Lightning Network.[2]
Base62				Podobně jako Base64, ale obsahuje pouze alfanumerické znaky.
Base64	Libovolný	75%	awk, C, C (2), Krajta, mnoho dalších
Base85 (RFC  1924 )	Libovolný	80%	C, Krajta Python (2)	Revidovaná verze Ascii85.
BinHex	Libovolný	75%	Perl, C, C (2)	MacOS Classic
Desetinný	Celé číslo	~42%	Většina jazyků	Obvykle výchozí reprezentace pro vstup / výstup z / do lidí.
Hexadecimální (Base16)	Libovolný	50%	Většina jazyků	Existuje velká písmena a malá písmena varianty
Intel HEX	Libovolný	~<50%	C knihovna, C ++	Obvykle se používá k programování EPROM, NOR-Flash paměťové čipy
MIM	Libovolný	Vidět Citováno pro tisk a Base64	Vidět Citováno pro tisk a Base64	Kódovací kontejner pro formátování jako e-mail
Formát souboru technologie MOS	Libovolný			Obvykle se používá k programování EPROM, NOR-Flash paměťové čipy.
Procento kódování	Text (URI ), Libovolné (RFC1738 )	~40%[A] (33–70%[b])	C, Krajta, pravděpodobně mnoho dalších
Citováno pro tisk	Text	~33–100%[C]	Pravděpodobně mnoho	Zachovává zalomení řádku; ořízne řádky na 76 znaků
S-záznam (Motorola hex)	Libovolný	49.6%	C knihovna, C ++	Obvykle se používá k programování EPROM, NOR-Flash paměťové čipy. 49,6% předpokládá 255 binárních bajtů na záznam.
Tektronix hex	Libovolný			Obvykle se používá k programování EPROM, NOR-Flash paměťové čipy.
Uuencoding	Libovolný	~60% (až 70% )	Perl, C, Jáva, pravděpodobně mnoho dalších	Většinou nahrazeno MIME a yEnc
Xxencoding	Libovolný	~ 75% (podobně jako Uuencoding)	C	Navrženo (a příležitostně používáno) jako náhrada za Uuencoding, aby se předešlo problémům s překladem znakových sad mezi systémy ASCII a EBCDIC, které by mohly poškodit Uuencoded data
yEnc	Svévolné, většinou netextové	~98%	C	Zahrnuje kontrolní součet CRC
RFC  1751 (S / KLÍČ )	Libovolný	33%	C,[3] Krajta, ...	"Konvence pro Člověk čitelný 128bitové klíče ". Řada malých anglických slov je pro lidi snadnější číst, pamatovat si a psát než v desetinných nebo jiných binárních systémech kódování textu.[4]Každé 64bitové číslo je mapováno na šest krátkých slov, každý s jedním až čtyřmi znaky, z veřejného slovníku o 2048 slovech.[3]

95 isprint kódy 32 až 126 jsou známé jako ASCII tisknutelné znaky.

Některé starší a dnes neobvyklé formáty zahrnují BOO, BTOA a kódování USR.

Většina z těchto kódování generuje text obsahující pouze podmnožinu všech ASCII tisknutelné znaky: například base64 kódování generuje text, který obsahuje pouze velká a malá písmena, (A – Z, a – z), číslice (0–9) a symboly „+“, „/“ a „=“.

Některá z těchto kódování (citace pro tisk a procentuální kódování) jsou založena na sadě povolených znaků a jednom úniková postava. Povolené znaky zůstávají nezměněny, zatímco všechny ostatní znaky jsou převedeny na řetězec začínající znakem escape. Tento druh převodu umožňuje, aby byl výsledný text téměř čitelný, protože písmena a číslice jsou součástí povolených znaků, a proto jsou ponechány tak, jak jsou v kódovaném textu. Tato kódování vytvářejí nejkratší prostý výstup ASCII pro vstup, který je většinou tisknutelné ASCII.

Některá další kódování (base64, uuencoding ) jsou založeny na mapování všech možných sekvencí šesti bity na různé tisknutelné znaky. Protože jich je více než 2⁶ = 64 tisknutelných znaků, toto je možné. Daná posloupnost bajtů je přeložena zobrazením jako proud bitů, rozbitím tohoto proudu na kousky šesti bitů a vygenerováním posloupnosti odpovídajících znaků. Různá kódování se liší v mapování mezi sekvencemi bitů a znaků a ve způsobu formátování výsledného textu.

Některá kódování (původní verze BinHex a doporučené kódování pro CipherSaber ) použijte čtyři bity místo šesti, mapujte všechny možné sekvence 4 bitů na 16 standardů hexadecimální číslic. Použití 4 bitů na kódovaný znak vede k 50% delšímu výstupu než base64, ale zjednodušuje kódování a dekódování - rozšíření každého bajtu ve zdroji nezávisle na dva kódované bajty je jednodušší než rozšíření 3 zdrojových bajtů base64 na 4 kódované bajty.

Mimo PETSCII Prvních 192 kódů, 164, mají při citaci viditelná zobrazení: 5 (bílá), 17–20 a 28–31 (barvy a ovládací prvky kurzoru), 32–90 (ekvivalent ASCII), 91–127 (grafika), 129 (oranžová ), 133–140 (funkční klávesy), 144–159 (ovládání barev a kurzoru) a 160–192 (grafika).^[5] To teoreticky umožňuje kódování, například base128, mezi zařízeními mluvícími PETSCII.

Poznámky

Reference