January 15, 2022
하나의 언어권에서 사용하는 언어를 표현하기 위한 모든 문자들의 집합을 문자셋(Charactor Set)이라고 하며 byte의 길이에 따라 다음과 같이 분류한다.
인코딩(Encoding)은 정의된 문자셋을 컴퓨터가 이해할 수 있도록 byte와 맵핑하는 과정이자 규칙이다. 예를 들자면, ASCII 코드 문자 A의 코드 65를 컴퓨터가 이해할 수 있도록 byte code로 변환해주는 것이다.
ASCII(American Standard Code for Information Interchange)는 미국에서 오직 영어만을 고려해서 정의한 표준화된 통신부호체계이자 최초의 문자열 인코딩이다. 이는 7bits로 구성되어 있으며, 영어를 위한 문자와 숫자, 특수문자, 기호, 제어문자등 128개 문자를 표현할 수 있다.
다음의 표를 보면 0 ~ 32까지는 인쇄와 전송 제어에 사용되는 용어, 33 ~ 127까지는 알파벳 대소문자와 숫자 그리고 특수문자들로 이루어진 것을 볼 수 있다.
ANSI(American National Standard Institute)는 ASCII 에서 한 비트를 확장한 8bits로 구성되고 256개의 문자를 표현할 수 있다. 이는 영어외의 다른 언어들을 표현하기 위해 확장된 개념인데 고작 추가된 128개 문자로 모든 언어의 문자를 표현할 수 없었다. 그래서 생겨난 개념이 CodePage이다. 이는 각 언어별로 Code값을 주고 Code마다 다른 문자열 표를 배정하도록 했다.
ANSI = ASCII(7bits) + CodePage(1bit)
그러나 ANSI도 한국, 일본, 중국과 비유럽국가들의 문자를 표현하기에는 부족했고, 각 언어마다 CodePage가 따로 배정되어서 언어들을 혼합하여 사용할 수 없었다. 그래서 등장한 것이 마지막에 설명할 유니코드(Unicode)이다.
EUC-KR(Extended Unix Code-Korea)은 한글 지원을 위해 유닉스 계열에서 나온 완성형 코드 조합이다.
완성형 코드란 완성 된 문자 하나하나마다 코드 번호를 부여한 것이고 이와 반대되는 개념인 조합형 코드는 한글의 자음과 모음 각각에 코드 번호를 부여한 후 초성, 중성, 종성을 조합하여 하나의 문자를 나타내는 방식을 말한다. EUC-KR은 ANSI를 한국에서 확장한 것으로 한국을 제외한 대부분 나라에서 지원이 불가하다.
CP949(Code Page 949)는 한글 지원을 위해 윈도우즈 계열에서 나온 완성형 코드 조합이며 마이크로소프트에서 만들었다고 해서 MS949라고도 부른다.
EUC-KR은 2bytes의 완성형 코드로 2bytes 내에서는 표현할 수 있는 완성된 문자의 수는 한계가 있었다. 그래서 마이크로소프트에서 이를 확장하여 만든 것이 CP949 이다. 여기서 949는 페이지 번호를 의미하며 한국을 의미하고 언어마다 고유의 번호가 붙는다.
유니코드(Unicode)는 전 세계의 모든 문자를 컴퓨터에서 일관되게 표현할 수 있도록 고안된 코드 조합이다. 유니코드는 이전에 비해 용량을 크게 확장한 2byte(2^16 = 65,536)
사용하였는데 유니코드 3.0까지는 이 2byte 영역을 다국어 기본 평면(BMP, Basic Multilingual Plane)라고 불렀다.
처음에는 65536개에 모든 언어를 담을 수 있을 거라고 생각했지만 이마저도 부족해서 이를 해결하기 위해 유니코드 3.0부터 보충언어판(Supplementary Plane)을 정의했다. 이는 BMP(다국어 기본 평면)의 일부를 상위대행(high surrogates, 1024자)과 하위대행(low surrogates, 1024자)으로 할당한 뒤 이 둘의 조합으로 생겨난 약 백만자(1024 x 1024 = 1,048,576)
가 넘는 문자를 추가로 정의했다.
이로써, 유니코드에는 65,536(BMP)
+ 1,048,576(상,하위대행의 조합)
- 2,048(상,하위대행에 사용된 영역)
= 1,112,064자
의 문자를 지정할 수 있게 되었는데, 유니코드는 이를 아래의 표와 같이 17개 구역으로 나눴다.(참고로 전체 영역인 1,112,064를 2byte인 65,536으로 나눈 값이 약 16.96 이라서 17개 구역인 것 같다.)
추가로 유니코드의 각 문자는 코드포인트라는 숫자에 대응된다. 예를 들어 ‘A’는 U+41에 대응되고 여기서 U+는 코드포인트라는 의미이다.
대체로 유니코드와 UTF 인코딩 방식을 같은 개념으로 생각하는데, 유니코드는 인코딩이 아니다. 유니코드는 전 세계의 모든 문자를 2bytes로 매핑한 방식의 코드표를 의미하고, 이 코드표를 컴퓨터가 이해할 수 있도록 하는 여러가지 인코딩 방식 중 하나가 UTF-8. UTF-16 등이다. (그래도 구분이 어렵다면 여기를 참조하자.)
UTF-8(Universal Coded Character Set + Transformation Format – 8 bit)은 유니코드를 위한 가변 길이 인코딩 방식이다. 쉽게 말하면 문자마다 byte 크기가 다르다는 것이다.
첫 128자는 ASCII 코드 값으로 ANSI와 UTF-8이 동일하다. 때문에 영어를 사용할 경우 1byte만 사용한다. 하지만 많은 유럽지역의 나라들과 중동지역의 나라들의 언어는 2bytes를 사용하며, 한국,일본,중국등 동아시아권 나라들의 언어는 3bytes 이상을 사용한다. UTF-8은 매우 일반적인 인코딩 방식이지만 3bytes 이상의 문자를 사용할 경우에는 비효율적일 수 있다.
UTF-16은 16bit 기반으로 저장하는 UTF-8의 변형이라고 보면 된다. 한글의 경우 UTF-8로 저장할 경우 3bytes가 필요한데, UTF-16로는 2bytes면 가능해서 용량의 이점이 있다. 그러나 특정한 경우에는 2bytes 이상을 사용하기도 해서 용량상의 큰 이점이 있다고 볼 수 없고 엔디언 처리를 고려함에 따른 복잡성 증대나 ANSI와 호환이 안되는 단점이 있다.
UTF-32는 모든 문자를 4bytes로 인코딩한다. 문자 변환 알고리즘이나 가변 길이 인코딩 방식에 대한 고민을 하고 싶지 않을 때 유용할 수 있다. 그러나 메모리 사용이 비효율적이라서 자주 사용되지는 않는다.
유니코드를 UTF-8로 인코딩하는 과정은 여기를 참조하면 된다.