MARC-8 - MARC-8

The MARC-8 charset je a Standard MARC použito v MARC-21 knihovní záznamy.[1] Formáty MARC jsou standardy pro reprezentaci a komunikaci bibliografických a souvisejících informací ve strojově čitelné formě a často se používají v knihovní databázové systémy. The Kódování znaků nyní známý jako MARC-8 byl představen v roce 1968 jako součást formátu MARC. Původně založený na latinka, od 1979 do 1983 JACKPHY Iniciativa rozšířila repertoár o japonské, arabské, čínské a hebrejské znaky (mimo jiné) s pozdějším přidáním cyrilice a řeckých skriptů. Pokud znak není reprezentovatelný v MARC-8 záznamu MARC-21, pak UTF-8 místo toho musí být použito. UTF-8 má podporu pro mnohem více znaků než MARC-8, který se zřídka používá mimo data knihovny.

Technické údaje

MARC-8 používá variantu ISO-2022 kódování. Používá únikové znaky k reprezentaci znaků přesahujících 7 bitů ASCII rozsah znaků.

Obvykle používá stejnou logiku BiDi objednávat jako Unicode.

Kombinující znaky a základní znaky jsou v jiném pořadí, než jaké jsou použity v Unicode. Následuje několik příkladů. Kombinované znaky nejsou vždy uloženy v opačném pořadí jako Normalizace Unicode. Standard MARC-21 popisuje problémy převodu Unicode MARC-8 podrobněji.

Zobrazeno

Charakter

Unicode

NFD

MARC-8
Aa ́ ́ a
Aa ̣ ̂ ̂ ̣ a

Struktura kódu

The ISO / IEC 2022 coding určuje dvouvrstvé mapování mezi kódy znaků a zobrazenými znaky. V MARC-8 se znakové kódy ze 7bitového grafického rozsahu ASCII (0x20–0x7F) označují jako kódy „G0“, zatímco kódy z rozsahu „vysokého ASCII“ (0xA0–0xFF) se označují jako „G1“ "kódy. Sady grafických znaků jsou určeny a vyvolány pomocí vícebajtové únikové sekvence skládající se z únikové postavy, mezilehlé znakové sekvence a konečného znaku ve tvaru ESC Já F.

Následující tabulka ukazuje mezibajt za bajtem ESC (hexadecimální 1B) a odpovídající znaky ASCII.

Mezilehlé bajty[2]
Sada G0Sada G1
SBCSMBCSSBCSMBCS
Normální ISO-202228(24$29)24 29$)
Alternativní ISO-2022 (dalších 63 + 16 sad)2C,24 2C$,2D-24 2D$-

Následující tabulka ukazuje konečné bajty v šestnáctkové soustavě a odpovídající znaky ASCII po mezilehlých bajtech.

Konečné bajty[3]
BajtyPostavynázevTypKomentář
311Čínština, japonština, korejština (EACC )MBCS
322Základní hebrejštinaSBCS
333Základní arabštinaSBCS
344Rozšířená arabštinaSBCS
42BZákladní latinka (ASCII )SBCS
21 45!ERozšířená latinka (ANSEL )SBCS21 (hex) je technicky druhý bajt mezilehlého segmentu této únikové sekvence.
4ENZákladní cyriliceSBCS
51QRozšířená cyriliceSBCS
53SZákladní řečtinaSBCS

EACC je jediné vícebajtové kódování MARC-8, kóduje každý CJK znak ve třech bajtech ASCII.

Například pro kódování znaku U + 4EBA CJK (人) budete potřebovat následující bajty

  x1B  x24  x31  x21  x30  x64

X1B x24 x31 se přepne na EACC / CJK a x21 x30 x64 odpovídá U + 4EBA.

Prodloužení vlastní sady

Kromě znakových sad ISO-2022 jsou k dispozici také následující vlastní sady. Označení bajtu následuje za únikovým bajtem (šestnáctkově 1B). Neexistuje žádný mezibajt.

Konečné bajty[4]
BajtyPostavynázevTypKomentář
62bSada dolního indexuSBCS
67GSada řeckých symbolůSBCSZnaky alfa, beta a gama normálně neokrouhlí mapu do Unicode.
70pSada horního indexuSBCS
73sZákladní latinka (ASCII )SBCS

Reference

  1. ^ https://www.loc.gov/marc/specifications/speccharintro.html
  2. ^ https://www.loc.gov/marc/specifications/speccharmarc8.html
  3. ^ https://www.loc.gov/marc/specifications/speccharmarc8.html
  4. ^ https://www.loc.gov/marc/specifications/speccharmarc8.html

externí odkazy