UTF-32

UTF-32 ( تنسيق تحويل يونيكود 32 بت )، ويُسمى أحيانًا UCS-4، هو ترميز ثابت الطول يُستخدم لترميز نقاط ترميز يونيكود ، ويستخدم 32 بتًا (أربعة بايتات ) لكل نقطة ترميز (مع العلم أن عددًا من البتات البادئة يجب أن يكون صفرًا، نظرًا لأن عدد نقاط ترميز يونيكود أقل بكثير من 2 ^{^32 ، إذ لا يتطلب الأمر فعليًا سوى 21 بتًا). [ 1 ]} في المقابل، جميع تنسيقات تحويل يونيكود الأخرى هي ترميزات متغيرة الطول. تمثل كل قيمة 32 بت في UTF-32 نقطة ترميز يونيكود واحدة، وهي تساوي تمامًا القيمة العددية لتلك النقطة.

تتمثل الميزة الرئيسية لترميز UTF-32 في فهرسة نقاط ترميز Unicode مباشرةً. فإيجاد النقطة رقم N في سلسلة من النقاط عمليةٌ تستغرق وقتًا ثابتًا . في المقابل، يتطلب الترميز ذو الطول المتغير وقتًا خطيًا لحساب N نقطة ترميز من بداية السلسلة. وهذا ما يجعل UTF-32 بديلًا بسيطًا في البرامج التي تستخدم أعدادًا صحيحة تُزاد بمقدار واحد لفحص كل موقع في السلسلة ، كما كان شائعًا في ASCII . غالبًا ما يُبالغ المبرمجون المبتدئون في تقدير مدى فائدة ذلك. ^{[ 2 ]}

تتمثل العيوب الرئيسية لترميز UTF-32 في عدم كفاءته في استخدام المساحة، حيث يستهلك أربعة بايتات لكل نقطة ترميز، بما في ذلك 11 بتًا قيمتها دائمًا صفر. تُعدّ الأحرف التي تتجاوز الحد الأدنى للرمز (BMP) نادرة نسبيًا في معظم النصوص (باستثناء، على سبيل المثال، النصوص التي تحتوي على بعض الرموز التعبيرية الشائعة)، ويمكن تجاهلها عادةً عند تقدير حجم الملف. هذا يجعل حجم UTF-32 يقارب ضعف حجم UTF-16 . وقد يصل حجمه إلى أربعة أضعاف حجم UTF-8 اعتمادًا على عدد الأحرف الموجودة في مجموعة ASCII الفرعية. ^{[ 3 ]}

يُعرّف معيار ISO/IEC 10646 الأصلي شكل ترميز 32 بت يُسمى UCS-4 ، حيث يُمثَّل كل رمز في مجموعة الأحرف العالمية (UCS) بقيمة 31 بت تتراوح من 0 إلى 0x7FFFFFFF (بت الإشارة غير مستخدم وقيمته صفر). في نوفمبر 2003، قُيِّد ترميز يونيكود بموجب RFC  3629 ليتوافق مع قيود ترميز UTF-16 : حيث مُنع صراحةً استخدام رموز أكبر من U+10FFFF (وكذلك الرموز البديلة العليا والدنيا من U+D800 إلى U+DFFF). تُعرِّف هذه المجموعة الفرعية المحدودة ترميز UTF-32. ^{[ 4 ] [ 1 ]} على الرغم من أن معيار ISO (اعتبارًا من عام 1998 في Unicode 2.1) كان قد خصص النطاقين 0xE00000 إلى 0xFFFFFF، و0x60000000 إلى 0x7FFFFFFF للاستخدام الخاص، ^{[ 5 ]} فقد أُزيلت هذه النطاقات في الإصدارات اللاحقة. ولأن وثيقة المبادئ والإجراءات الصادرة عن اللجنة الفنية المشتركة 1/اللجنة الفرعية 2 التابعة لـ ISO/IEC تنص على أن جميع التعيينات المستقبلية لنقاط الترميز ستقتصر على نطاق Unicode، فإن UTF-32 سيكون قادرًا على تمثيل جميع نقاط ترميز UCS، وUTF-32 وUCS-4 متطابقان. ^{[ 6 ]}

يتمتع تحديد عدد ثابت من البايتات لكل نقطة ترميز بمزايا نظرية، ولكن لكل منها مشاكل في الواقع:

• يصبح الاقتطاع أسهل، لكن ليس بشكل ملحوظ مقارنةً بـ UTF-8 و UTF-16 (حيث يمكن لكليهما البحث عكسيًا عن نقطة الاقتطاع بالنظر إلى 2-4 وحدات ترميز على الأكثر). ^{[ أ ]}
• إيجاد الحرف رقم N في سلسلة نصية. يُعدّ إيجاد رمز الحرف رقم N مسألةً من رتبة O(1) ، بينما هو مسألة من رتبة O(n) في ترميز ذي عرض متغير. مع ذلك، فإن ما قد يُطلق عليه المستخدم "حرفًا" يظل ذا عرض متغير، ^{[ 3 ]} فعلى سبيل المثال، سلسلة الأحرف المركبة á تتكون من رمزين، والرمز التعبيري 👨‍🦲 من ثلاثة رموز، ^{[ 7 ]} والحرف المركب ff من رمز واحد.
• معرفة "عرض" السلسلة بسرعة. ومع ذلك، حتى الخطوط "ذات العرض الثابت" لها عرض متغير، وغالبًا ما تكون الأحرف الصينية واليابانية والكورية ضعف العرض، ^{[ 2 ]} بالإضافة إلى المشكلات المذكورة سابقًا المتعلقة بعدم تساوي عدد نقاط الترميز مع عدد الأحرف.

يُستخدم ترميز UTF-32 بشكل أساسي في واجهات برمجة التطبيقات الداخلية حيث تكون البيانات عبارة عن نقاط ترميز أو رموز رسومية مفردة ، بدلاً من سلاسل الأحرف. على سبيل المثال، في عرض النصوص الحديث، من الشائع أن تكون الخطوة الأخيرة هي إنشاء قائمة من البنى، تحتوي كل منها على إحداثيات (س، ص) ، وخصائص، ونقطة ترميز UTF-32 واحدة تُحدد الرمز الرسومي المراد رسمه. غالبًا ما تُخزن المعلومات غير المتوافقة مع ترميز Unicode في البتات الـ 11 "غير المستخدمة" من كل كلمة.

يكاد استخدام سلاسل UTF-32 في نظام ويندوز (حيث يكون نوع البيانات wchar_t مكونًا من 16 بت) يكون معدومًا. أما في أنظمة يونكس، فتُستخدم سلاسل UTF-32 أحيانًا، ولكن نادرًا، داخليًا بواسطة التطبيقات، نظرًا لأن نوع البيانات wchar_t مُعرَّف على أنه مكون من 32 بت.

يُحظر استخدام ترميز UTF-32 كأحد ترميزات الأحرف في لغة HTML. ^{[ 8 ] [ 9 ]}

#include <string> char32_t UTF32_character = U '🔟' ; // تُكتب أيضًا كـ U'\U0001F51F' std :: u32string UTF32_string = U "UTF-32-encoded string" ; // مُعرّفة كـ `const char32_t*´

على الرغم من عدم صلاحيتها تقنيًا، غالبًا ما يتم ترميز الأجزاء البديلة والسماح بها. يسمح هذا بتحويل ترميز UTF-16 غير الصالح (مثل أسماء ملفات ويندوز) إلى UTF-32، على غرار آلية عمل ترميز WTF-8 المشتق من UTF-8. في بعض الأحيان، يتم ترميز الأجزاء البديلة المزدوجة بدلًا من الأحرف غير المتوافقة مع BMP، كما هو الحال في CESU-8 . نظرًا للعدد الكبير من القيم غير المستخدمة ذات 32 بت، من الممكن أيضًا الحفاظ على ترميز UTF-8 غير الصالح باستخدام قيم غير يونيكود لترميز أخطاء UTF-8، مع العلم أنه لا يوجد معيار موحد لهذا الغرض.

يحتوي ترميز UTF-32 على إصدارين للترتيب الكبير والترتيب الصغير: UTF-32-BE و UTF-32-LE .

• مقارنة ترميزات يونيكود
• UTF-16

• يُعرّف معيار Unicode 5.0.0، الفصل 3 - رسميًا UTF-32 في § 3.9، D90 (صفحة PDF 40) و § 3.10، D99-D101 (صفحة PDF 45)  
• الملحق رقم 19 من معيار يونيكود - تعريف رسمي لـ UTF-32 لـ Unicode 3.x (مارس 2001؛ آخر تحديث مارس 2002) 
• تسجيل مجموعات الأحرف الجديدة: UTF-32، UTF-32BE، UTF-32LE – إعلان إضافة UTF-32 إلى سجل مجموعات الأحرف IANA (أبريل 2002)