纯文本
cat命令所显示，其内容Royal Dixon所著《动物的人性》的一部分在计算机科学的运算中，纯文本是一个宽松的术语，指的是只代表可读资料的字符，但不代表其图形表达或其他对象（浮点数、图像等）的数据。它还可能包含了影响文本简单排列的有限数量的“空白”字符，例如空格、换行符或制表符。纯文本有别于格式化文本，格式化文本包含有样式信息；也有别于结构化文本，会识别文件的结构部分，例如段落、小节等；也有别于二进制文件，二进制文件里的某些部分必须诠释为二进制对象（编码的整数、实数、影像等）。
这个词有时用得相当宽松，意指只包含“可读”内容的文件 (或只是某个不包含演讲者所不喜欢的内容的文件)。举例来说，这可以排除任何字体或排版的指令(例如标记、markdown 、或甚至制表符)；上下引号、不换行空格、软性连字号、链接线、印刷合字等字符；或其他东西。
原则上，纯文本可以采用任何编码，但有时这个术语被认为暗指ASCII 。随着基于Unicode的编码（例如UTF-8和UTF-16）变得越来越普遍，这种习俗可能会逐渐减少。
纯文字有时也仅用于排除“二进制”文件：文件中至少有某些部分无法透过字符编码正确诠释其效果。例如，某个文件或字符串是由“hello”(在任何编码下）这几个字所组成，紧接着是4个表示二进制整数（不是字符）的字节，它就是个二进制文件。将纯文本文件转换为不同的字符编码，只要使用正确的字符编码，并不会改变文字的意义。但是，将二进制文件转换为不同的格式可能就会改变非文字资料的诠释。
纯文本与富文本
[编辑]根据Unicode标准： [1]
- 纯文字是一串纯粹的字符代码；因此，纯未编码的文字是一串Unicode字符代码。
- 相比之下，“样式文本”（也称为“富文本(RTF)”）是包含纯文本以及附加信息（例如语言标识符、字体大小、颜色、超文本链接等）的任何文本表示形式。
- SGML、RTF、HTML、XML和TeX是完全以纯文字流表示的富文字的示例，在纯文字资料中穿插代表附加数据结构的字符序列。
然而，根据其他定义，包含标记或其他元数据的文件通常被视为纯文字，只要标记也直接是人类可读的形式 (如HTML、XML等)。因此，SGML、RTF、HTML、XML、wiki标记和TeX等表示法，以及几乎所有编程语言的源代码文件，都被视为纯文字。特定的文件内容与文件本身是否为纯文字无关。例如，可缩放矢量图形SVG文件可以表示绘图或甚至位图化的图形，但它仍然是纯文字。
使用纯文字而不是二进制文件，可以让文件在“穷乡僻壤”中存活得更好，部分原因是它们基本上很大程度地对于计算机体系结构的不兼容免疫。举例来说，如果所有资料都编码为UTF-8文字，所有与字节序有关的问题都可以避免。
用法
[编辑]现在使用纯文字的目的主要是为了独立于需要自己特殊编码、格式化或文件格式的程序。纯文本文件可以使用随处可见的文本编辑器和工具来开启、读取和编辑。
命令行界面允许人们以纯文字发出命令，并得到回应，回应通常也是纯文字。
许多其他计算机程序也能够处理或创建纯文本，例如DOS 、 Windows 、经典Mac OS和Unix及其同类中的无数程序；以及网络浏览器（少数浏览器如Lynx和行模式浏览器仅生成纯文本供显示）和其他电子文本阅读器。
纯文本文件在编程中几乎是一统江湖；包含编程语言指令的源代码文件几乎总是纯文本文件。纯文本也常用于配置文件，在程序启动时读取保存设置的配置文件。
纯文本都用于一些电子邮件。
程序的注解、“.txt文件”、或TXT记录，通常是仅包含(无格式的)纯文本以供人类阅读。
永久存储知识的最佳格式是纯文本，而不是某种二进制格式。[2]
编码
[编辑]字符编码
[编辑]在1960年代前期之前，电脑主要用于数字运算而非文字，而且存储器非常昂贵。电脑通常只为每个字符分配6比特，因此只能允许64个字符——为 A-Z、a-z 和 0-9 分配代码只剩下2个代码：远远不够。大多数电脑选择不支持小写字母。因此，早期的文本项目（如罗伯托·布萨的《托马斯提库斯索引》、布朗语料库等）则必须凭借惯例，例如在实际要大写的字母前键入星号。
IBM的Fred Brooks强烈主张采用8位字节，因为有一天人们可能想要处理文本，结果他胜利了。尽管IBM使用了EBCDIC，但从那时起大多数文本都采用ASCII编码，使用0到31之间的值表示（非打印）控制字符，使用32到127之间的值表示字母、数字和标点符号等图形字符。大多数机器是以8位来存储字符、而不是7比特，会忽略剩余的比特或将其用作检验和。
ASCII 几乎无处不在的特性帮了大忙，但却未能解决国际和语言方面的问题。美元符号 (“$”)在英国并不常用，西班牙文、法文、德文、葡萄牙文、意大利文和许多其他语言所使用的重音字符在 ASCII 中完全无法使用 (更别提希腊文、俄文和大多数东方语言所使用的字符)。许多个人、公司和国家根据需要定义额外的字符──通常是重新指定控制字符，或使用 128 到 255 的范围内的值。使用 128 以上的值会与使用第 8 比特作为校验和相冲突，但校验和的用法逐渐消失。
这些额外的字符在不同的国家有不同的编码方式，使得文字无法在不搞清楚原创者规则的情况下解码。例如，如果浏览器尝试将一个字符集解释为另一个字符集，它可能会显示 ¬A 而不是 `。国际标准化组织(ISO)最终在ISO 8859之下开发了几种代码页，以适应各种语言。其中第一个（ ISO 8859-1 ）也称为“Latin-1”，它涵盖了大多数（并非全部）使用拉丁字符的欧洲语言的需求（没有足够的空间来涵盖所有语言）。然后， ISO 2022提供了在中间文件中不同字符集之间“切换”的约定。许多其他组织在此基础上开发了变体，多年来 Windows 和 Macintosh 电脑使用不兼容的变体。
文字编码的情况变得越来越复杂，导致 ISO 和Unicode联盟致力于开发单一、统一的字符编码，以涵盖所有已知 (或至少所有目前已知) 的语言。经过一些冲突之后[3] ，这些努力得到了统一。 Unicode目前允许1,114,112个编码值，并为几乎所有现代文字书写系统、许多历史文字系统以及许多非语言符号（如打印机标码、数学符号等）分配编码。
不论编码为何，文字都被视为纯文字。为了正确地理解或处理文字，接收者必须知道（或能够弄清楚）使用的是何种编码；但是，他们不需要知道所使用的计算机体系结构，或任何程序（如有）建立资料时所定义的二进制结构。
明确说明特定纯文字编码的最常见方式也许是MIME 类型。对于电子邮件和HTTP ，默认的 MIME 类型是“ text/plain ”——没有标记的纯文本。电子邮件和 HTTP 中经常使用的另一种 MIME 类型是“ text/html ; charset=UTF-8”——使用带有 HTML 标记的 UTF-8 字符编码表示的纯文本。另一种常见的 MIME 类型是“application/json”——使用带有JSON标记的UTF-8字符编码表示的纯文本。
当接收到的文件没有任何明确的字符编码指示时，有些应用程序会使用字符集检测来尝试猜测所使用的编码。
控制代码
[编辑]ASCII保留了前 32 个代码（十进制数字 0 到 31）用于控制字符，称为“C0 集”：这些代码最初的目的不是为了表示可打印信息，而是用于控制使用 ASCII 的设备（如打印机），或提供有关数据流（如存储在磁带上的数据流）的元数据。它们包括换行符和制表符等常见字符。
在 8 位字符集（例如Latin-1和其他ISO 8859集）中，“上半部分”（128 至 159）的前 32 个字符也是控制码，称为“C1 集”。它们很少被直接使用；当它们出现在表面上是使用 ISO 8859 编码的文档中时，它们的代码位置通常是指在专有系统特定编码中该位置的字符，例如Windows-1252或Mac OS Roman ，这些编码使用这些代码来提供额外的图形字符。
Unicode定义了额外的控制字符，包括双向文本方向覆盖字符（用于明确标记从右到左书写在从左到右书写内，以及反之亦然）和变体选择器，以选择中日韩统一表意文字、表情符号和其他字符的替代形式。
参见
[编辑]参考
[编辑]- ^ The Unicode Standard, version 14.0 (PDF): 18–19.
- ^ Andrew Hunt; David Thomas. 14 "The Power of Plain Text". The Pragmatic Programmer. 1999: 73.
- ^ ISO/Unicode Merger: Ed Hart Memo. www.unicode.org. [2024-10-21].
 |