Рубиновая кодировка ASCII_8BIT и расширенная ASCII - PullRequest
Новая
       41

Рубиновая кодировка ASCII_8BIT и расширенная ASCII

1 голос
/ 19 сентября 2019

О ASCII_8BIT

Кодировка :: ASCII_8BIT - это специальная кодировка, которая обычно используется для строки байтов, а не строки символов.Но как следует из названия, его символы в диапазоне ASCII считаются символами ASCII.Это полезно при использовании символов ASCII-8BIT с другими символами, совместимыми с ASCII.

Источник: ruby-doc.org / core-2.6.4

Контекст

Я хочу использовать ASCII_8BIT, потому что мне нужно кодировать все символы в диапазоне от 0x00 (0d00) до 0xff (0d255), поэтому ASCII (0-127) плюс расширенный ASCII (128-255).ASCII (кодировка US-ASCII) - это 7-битная кодировка, которая распознает только символы ASCII (кодировки) (0-127).Как следует из названия, я ожидал, что ASCII_8BIT расширит его до 8 бит, чтобы добавить поддержку 128-255.

Проблема

Когда я использую chr, кодировка автоматически устанавливается на ASCII_8BIT, но когда яположить, я помещаю символ между 128-255 (0x80-0xff) непосредственно в строку и затем спрашиваю, в какой кодировке я получил UTF-8 вместо этого, и если я пытаюсь преобразовать его в ASCII_8BIT, то получаю ошибку. 

irb(main):014:0> 0x8f.chr
=> "\x8F"
irb(main):015:0> 0x8f.chr.encoding
=> #<Encoding:ASCII-8BIT>
irb(main):016:0> "\x8f".encode(Encoding::ASCII_8BIT)
Traceback (most recent call last):
        5: from /usr/bin/irb:23:in `<main>'
        4: from /usr/bin/irb:23:in `load'
        3: from /usr/lib/ruby/gems/2.6.0/gems/irb-1.0.0/exe/irb:11:in `<top (required)>'
        2: from (irb):16
        1: from (irb):16:in `encode'
Encoding::InvalidByteSequenceError ("\x8F" on UTF-8)
irb(main):021:0> "\x8F".encoding
=> #<Encoding:UTF-8>

Есть ли ошибка в ядре ruby?Мне нужно иметь возможность кодировать все между 8

Другое имя ASCII 8BIT - BINARY, потому что, как указывалось в предыдущей цитате, он должен иметь возможность кодировать любой байт. 

irb(main):035:0> Encoding::ASCII_8BIT.names
=> ["ASCII-8BIT", "BINARY"]

Другие кодировки

Пожалуйста, указание использовать другую кодировку не является ответом на вопрос, если только это кодировка, которая действительно отображает все 255 расширенных символов ASCII.

  • Я не хочу использоватьUTF-8, поскольку кодирование является многобайтовым, а не однобайтовым.
  • ИСО / МЭК 8859-1 (Latin1, 8 бит) содержит только 191 символ (ASCII + 63 символа)

    OneПримечательным отличием наборов символов ISO от кодовых страниц является то, что позиции символов от 128 до 159, соответствующие контрольным символам ASCII с установленным битом старшего разряда, специально не используются и не определены в стандартах ISO, хотя они часто использовались дляпечатные символы в фирменных кодовых страницах, нарушение стандартов ISO, которое было почти универсальным.Ссылка Расширенный ASCII-ISO 8859 и проприетарные адаптации

  • Windows-1252 (CP-1252, 8 бит) не содержит все 255 символов и как различные отображения, которые расширяют ASCII

Доступные кодировки в ruby: 

irb(main):036:0> Encoding.name_list
=> ["ASCII-8BIT", "UTF-8", "US-ASCII", "UTF-16BE", "UTF-16LE", "UTF-32BE", "UTF-32LE", "UTF-16", "UTF-32", "UTF8-MAC", "EUC-JP", "Windows-31J", "Big5", "Big5-HKSCS", "Big5-UAO", "CP949", "Emacs-Mule", "EUC-KR", "EUC-TW", "GB2312", "GB18030", "GBK", "ISO-8859-1", "ISO-8859-2", "ISO-8859-3", "ISO-8859-4", "ISO-8859-5", "ISO-8859-6", "ISO-8859-7", "ISO-8859-8", "ISO-8859-9", "ISO-8859-10", "ISO-8859-11", "ISO-8859-13", "ISO-8859-14", "ISO-8859-15", "ISO-8859-16", "KOI8-R", "KOI8-U", "Shift_JIS", "Windows-1250", "Windows-1251", "Windows-1252", "Windows-1253", "Windows-1254", "Windows-1257", "BINARY", "IBM437", "CP437", "IBM737", "CP737", "IBM775", "CP775", "CP850", "IBM850", "IBM852", "CP852", "IBM855", "CP855", "IBM857", "CP857", "IBM860", "CP860", "IBM861", "CP861", "IBM862", "CP862", "IBM863", "CP863", "IBM864", "CP864", "IBM865", "CP865", "IBM866", "CP866", "IBM869", "CP869", "Windows-1258", "CP1258", "GB1988", "macCentEuro", "macCroatian", "macCyrillic", "macGreek", "macIceland", "macRoman", "macRomania", "macThai", "macTurkish", "macUkraine", "CP950", "Big5-HKSCS:2008", "CP951", "IBM037", "ebcdic-cp-us", "stateless-ISO-2022-JP", "eucJP", "eucJP-ms", "euc-jp-ms", "CP51932", "EUC-JIS-2004", "EUC-JISX0213", "eucKR", "eucTW", "EUC-CN", "eucCN", "GB12345", "CP936", "ISO-2022-JP", "ISO2022-JP", "ISO-2022-JP-2", "ISO2022-JP2", "CP50220", "CP50221", "ISO8859-1", "ISO8859-2", "ISO8859-3", "ISO8859-4", "ISO8859-5", "ISO8859-6", "Windows-1256", "CP1256", "ISO8859-7", "ISO8859-8", "Windows-1255", "CP1255", "ISO8859-9", "ISO8859-10", "ISO8859-11", "TIS-620", "Windows-874", "CP874", "ISO8859-13", "ISO8859-14", "ISO8859-15", "ISO8859-16", "CP878", "MacJapanese", "MacJapan", "ASCII", "ANSI_X3.4-1968", "646", "UTF-7", "CP65000", "CP65001", "UTF-8-MAC", "UTF-8-HFS", "UCS-2BE", "UCS-4BE", "UCS-4LE", "CP932", "csWindows31J", "SJIS", "PCK", "CP1250", "CP1251", "CP1252", "CP1253", "CP1254", "CP1257", "UTF8-DoCoMo", "SJIS-DoCoMo", "UTF8-KDDI", "SJIS-KDDI", "ISO-2022-JP-KDDI", "stateless-ISO-2022-JP-KDDI", "UTF8-SoftBank", "SJIS-SoftBank", "locale", "external", "filesystem", "internal"]

Для сравнения кодировок Python https://docs.python.org/3/library/codecs.html#standard-encodings

Соображения

При чтении Extended ASCII- Многобайтовые кодировки кажется, что единственное истинное расширенное кодирование ASCII - это UTF-8, но многобайтовое.Похоже, что истинного расширенного однобайтового кодирования ASCII также не существует.

С точки зрения байтов я мог бы использовать любое 8-битное (однобайтовое) кодирование, как сказано здесь Extended ASCII - Использование в машиночитаемых языках

все байты ASCII (от 0x00 до 0x7F) имеют одинаковое значение во всех вариантах расширенного ASCII,

Но проблема в том, что такие реализации, как ISO-8859-1 определенно не определено для некоторых диапазонов символов и поэтому заканчивается ошибками. 

irb(main):009:0> (0..255).map { |c| c.chr}.join.encode(Encoding::ISO_8859_1)
Traceback (most recent call last):
        6: from /usr/bin/irb:23:in `<main>'
        5: from /usr/bin/irb:23:in `load'
        4: from /usr/lib/ruby/gems/2.6.0/gems/irb-1.0.0/exe/irb:11:in `<top (required)>'
        3: from (irb):9
        2: from (irb):9:in `rescue in irb_binding'
        1: from (irb):9:in `encode'
Encoding::UndefinedConversionError ("\x80" to UTF-8 in conversion from ASCII-8BIT to UTF-8 to ISO-8859-1)

Обновление - force_encoding

Я нашел строковый метод force_encoding . 

irb(main)> a = "\x8f"
=> "\x8F"
irb(main)> a.encoding
=> #<Encoding:UTF-8>
irb(main)> a.encode(Encoding::ASCII_8BIT)
Traceback (most recent call last):
        5: from /usr/bin/irb:23:in `<main>'
        4: from /usr/bin/irb:23:in `load'
        3: from /usr/lib/ruby/gems/2.6.0/gems/irb-1.0.0/exe/irb:11:in `<top (required)>'
        2: from (irb):42
        1: from (irb):42:in `encode'
Encoding::InvalidByteSequenceError ("\x8F" on UTF-8)
irb(main)> a.force_encoding(Encoding::ASCII_8BIT)
=> "\x8F"
irb(main):040:0> a.encoding
=> #<Encoding:ASCII-8BIT>

В чем опасность использования force_encoding вместо encode?Просто если я случайно передам многобайтовый символ, он будет преобразован в несколько однобайтовых символов?Поэтому не опасно, если кто-то уверен, что все символы, передаваемые приложению, находятся в расширенном диапазоне ASCII (однобайтовом), но небезопасны и вызовут проблему бесшумного преобразования, если, например, некоторые символы UTF-8 передаются в приложение.

irb(main):044:0> "\ud087".force_encoding(Encoding::ASCII_8BIT)
=> "\xED\x82\x87"
irb(main):045:0> "\ud087".bytes
=> [237, 130, 135]

Обновление - ответ

Ответ @ mu-is-too-short и комментарий @ ForeverZer0 говорят о том, что мне лучше использовать pack и unpack для работы с необработанными байтами.

Таким образом, вместо использования кодирования и обходного пути с ним 

pattern = 'A' * 2606 + "\x8F\x35\x4A\x5F" + 'C' * 390
pattern.force_encoding(Encoding::ASCII_8BIT)

Я должен использовать байты напрямую 

pattern = ['A'.ord] * 2606 + [0x8F, 0x35, 0x4A, 0x5F] + ['C'.ord] * 390
pattern = pattern.pack('C*')

Или этот синтаксис легче читать 

pattern = 'A'.bytes * 2606 + "\x8F\x35\x4A\x5F".bytes + 'C'.bytes * 390
pattern = pattern.pack('C*')

Ответы [ 2 ]

4 голосов
/ 19 сентября 2019

Строковые литералы (как правило) кодируются в UTF-8 независимо от того, являются ли байты действительными UTF-8.Отсюда это: 

"\x8f".encoding

, говоря UTF-8, даже если строка не является допустимой UTF-8.Вы должны быть в безопасности, используя String#force_encoding, но если вы действительно хотите работать с необработанными байтами, вам может быть лучше работать с массивами целых чисел и использовать Array#pack, чтобы объединить их встроки: 

[ 0x8f, 0x11, 0x06, 0x23, 0xff, 0x00 ].pack('C*')
# "\x8F\x11\x06#\xFF\x00" 
[ 0x8f, 0x11, 0x06, 0x23, 0xff, 0x00 ].pack('C*').encoding
# #<Encoding:ASCII-8BIT> 
[ 0x8f, 0x11, 0x06, 0x23, 0xff, 0x00 ].pack('C*').bytes
# [143, 17, 6, 35, 255, 0]

Результаты должны быть одинаковыми, но, IMO, это явно работает с двоичными данными (то есть необработанными байтами), проясняет ваши намерения и должно избегать любых проблем с кодированием.

Существует также String#unpack, если есть байты, которые вы читаете, известна структура, и вы хотите взломать ее.

2 голосов
/ 19 сентября 2019

Если вы делаете необработанные манипуляции с пакетами, тогда все должно быть в режиме BINARY / ASCII_8BIT, потому что это не текст и не должно рассматриваться как таковое.Если у вас есть какая-либо другая кодировка, кроме Ruby, она попытается преобразовать ее, что в лучшем случае серьезно испортит двоичные данные, а в худшем случае произойдет сбой из-за ошибок преобразования.

В терминах Ruby ASCII_8BIT фактически является буфером необработанных данных.

Кодировка по умолчанию для строк в вашем коде - UTF-8: 

p "example".encoding
# => #<Encoding:UTF-8>

Вы можете установить кодировку Ruby для встроенных строк для каждого файла с помощью# encoding: BINARY: 

# encoding: BINARY

p "example".encoding
# => #<Encoding:ASCII-8BIT>

Обычно лучше выражать двоичные данные с помощью таких инструментов, как pack, как указывает мю, где вы не можете понять это неправильно, и вы не используете строки впервое место.Это вдвойне важно, потому что 8-битные значения просты в обращении, но 16 и 32-битные значения должны должны быть правильно закодированы, поэтому вы часто увидите много этого: 

header = pack('nn', qtype, qclass)

Где это составляет заголовок DNS, который включает два 16-битных значения.

...