Размер русского языка в Unicode¶
Русский язык в Unicode — раскладка и кодировка символов кириллического письма русского языка в стандарте Unicode, где русские буквы представлены в нескольких блоках с разными диапазонами кодовых точек. Основной блок — «Кириллица» (Cyrillic), U+0400—U+04FF, содержащий 256 кодовых позиций.
¶Основные блоки Unicode с русскими буквами
Русский алфавит (33 буквы, включая «ё» и «й») полностью покрывается блоком «Кириллица» (U+0400—U+04FF). Дополнительно русские буквы могут встречаться в блоке «Кириллица, дополнение» (U+0500—U+052F) в виде комбинированных знаков и в расширенных блоках для исторических и диакритических вариантов.
| Блок Unicode | Диапазон | Содержание |
|---|---|---|
| Кириллица | U+0400—U+04FF | Русские, украинские, белорусские, болгарские и другие славянские буквы |
| Кириллица, дополнение | U+0500—U+052F | Дополнительные кириллические знаки, включая комбинируемые диакритики |
| Кириллица расширенная-A | U+2DE0—U+2DFF | Комбинируемые кириллические буквы |
| Кириллица расширенная-B | U+A640—U+A69F | Исторические и дополнительные формы |
¶Кодовые точки русских букв
Русские строчные и заглавные буквы занимают диапазоны U+0410—U+044F (заглавные и строчные без «ё») и U+0401/U+0451 для буквы «ё». Полный русский алфавит укладывается в 66 кодовых позиций (33 заглавные + 33 строчные).
| Буква | Заглавная | Строчная |
|---|---|---|
| А | U+0410 | U+0440 |
| Б | U+0411 | U+0441 |
| В | U+0412 | U+0442 |
| ... | ... | ... |
| Я | U+042F | U+044F |
| Ё | U+0401 | U+0451 |
¶Размер в байтах: UTF-8, UTF-16, UTF-32
При ответе на вопрос «какой размер на русский» в контексте кодировок и текстовых форматов речь обычно идёт о занимаемом объёме памяти или файла:
- UTF-8 — русские буквы занимают 2 байта на символ (диапазон U+0400—U+07FF кодируется двумя байтами). Это основная кодировка веба и файловых систем по умолчанию.
- UTF-16 — русские буквы занимают 2 байта (один 16-битный кодовый блок).
- UTF-32 — русские буквы занимают 4 байта (фиксированный размер символа).
- КОИ-8 (КОИ-8-Р для русского) — 1 байт на символ, старая советская/российская кодировка.
| Windows-1251 | 1 байт на символ, распространённая однобайтовая кодировка для русского текста в Windows. |
Таким образом, русский текст в UTF-8 в среднем занимает вдвое больше места, чем латинский, и вдвое меньше, чем в UTF-32.
¶Размер шрифта и кегль
В типографике и текстовых редакторах «размер русского» может означать кегль шрифта, измеряемый в пунктах (pt). Стандартный кегль для основного текста — 10–12 pt, для заголовков — 14–24 pt. Высота строчных букв русского шрифта (x-height) обычно составляет около 0,5 от кегля.
¶Размер клавиатуры и раскладки
В контексте «какой размер на русский» может подразумеваться физический размер клавиатуры с русской раскладкой. Стандартная раскладка ЙЦУКЕН размещает русские буквы на тех же клавишах, что и латинские, поэтому размер клавиатуры не зависит от языка. Дополнительный ряд символов (ё, №) может требовать наличия соответствующих клавиш.
¶Применение
Знание кодовых точек и размеров русских символов необходимо при:
- локализации программного обеспечения;
- разработке шрифтов и типографике;
- работе с текстовыми кодировками и конвертацией файлов;
- вёрстке и калибровке интерфейсов;
- обработке естественного языка (NLP).
¶Интересные факты
- Буква «ё» была введена в русский алфавит в 1783 году по инициативе княгини Екатерины Дашковой, но в Unicode закреплена отдельным кодом U+0401, а не как комбинация «е» + умлаут.
- В блоке «Кириллица» Unicode отведено 256 позиций, из которых русский алфавит занимает лишь 66, оставляя место для других славянских и неславянских языков.
¶Источники
- Unicode Standard, Version 15.0: Cyrillic Block
- ГОСТ 19768-2015 «Правила набора и вёрстки»
- RFC 3629 (UTF-8)
- Microsoft Windows Character Map documentation