Logo Unicode konsorcia
Unicode
je
technická norma
pro oblast
výpočetní techniky
definující jednotnou znakovou sadu a konzistentní
kódování znaků
pro reprezentaci a
zpracovávání
textů
použitelné pro většinu
písem
používaných v
současnosti na
Zemi. Unicode je vyvíjen v
součinnosti s
ISO/IEC 10646
je publikován elektronicky jako
The Unicode Standard
. Nejnovější verze obsahuje repertoár více než 140
000
znaků
pokrývajících 159
moderních a
historických
písem
mnoho sad symbolů. Standard sestává ze sady tabulek pro vizuální referenci, popisu metod kódování, sady referenčních datových
souborů
dalších položek, jako například vlastností znaků, pravidel pro
normalizaci
textů, dekompozici,
řazení
, vykreslování a
zobrazování
obousměrného textu
(pro správné zobrazení textu obsahující písma psaná zprava doleva i
zleva doprava, jako například
arabské
hebrejské písmo
).
Poslední verze je
Unicode 16.0
ze září roku 2024. Normu udržuje
Unicode Consortium
Úspěch Unicode v
unifikaci znakových sad vedl k
jeho rozšíření a
převládajícímu používání pro
internacionalizaci a lokalizaci
počítačového softwaru
. Unicode je implementován mnoha technologiemi, včetně moderních
operačních systémů
XML
programovacím jazykem Java
.NET
Frameworkem firmy
Microsoft
Unicode definuje několik způsobů reprezentace textů různými
znakovými kódy
. K
nejpoužívanějším kódováním patří
UTF-8
UTF-16
a zastaralé
UCS-2
. UTF-8 používá jeden
bajt
pro libovolný
ASCII
znak, přičemž všechny ASCII znaky mají v UTF-8 stejné kódové hodnoty jako ASCII a dva až čtyři bajty pro jiné znaky. UCS-2 používá 16bitové kódové jednotky (dva
8bitové bajty
) pro každý znak, ale neumožňuje kódovat všechny znaky v
aktuálním standardu Unicode. UTF-16 je rozšíření UCS-2, které pomocí dvou 16bitových jednotek (4
bit) umožňuje kódovat všechny znaky z Unicode. V Číně se používá kódování
GB18030
, které přebírá celý znakový repertoár Unicode, proto je také jedním ze způsobů kódování Unicode. Mapování GB18030 na UTF-32 je však netriviální (potřebuje převodní tabulku).
Umožňuje současně používat různá písma při vícejazyčném zpracování textu v počítači a kóduje široké portfolio znaků pro profesionální zpracování textů v prakticky jakémkoli moderním i historickém jazyce. Nevýhodou unicode může být složitější zpracování, stejný text zabírá více prostoru na disku nebo v operační paměti počítače. Ovšem výhody univerzální znakové sady drtivě převažují, což je vidět mj. na tom, že starší osmibitové znakové sady jsou dnes definované jako podmnožiny Unicode.
Ke konci osmdesátých let 20. století vznikla naléhavá potřeba sjednotit různé kódové tabulky znaků pro národní abecedy. Pro
český jazyk
se používalo nejméně 5 různých
kódování
kódování bratří Kamenických
PC Latin 2
Windows-1250
ISO Latin 2
KOI8-CS
) a podobná situace byla ve všech jazycích, které nevystačily se základní 7bitovou tabulkou
ASCII
znaků, což přinášelo problémy při přenosech dat mezi programy a platformami a spolupráci aplikací.
V té době vznikly současně dva projekty pro vytvoření jednotné univerzální kódovací tabulky znaků. Byl to projekt
ISO 10646
organizace
ISO
a projekt
Unicode
. Norma ISO definuje tzv.
UCS
Universal Character Set
. Kolem roku
1991
došlo k dohodě a projekty spojily své úsilí na vytvoření jednotné tabulky. Oba projekty stále existují a publikují své
standardy
samostatně, ale tabulky znaků jsou kompatibilní a jejich rozšiřování je koordinováno.
Všechny verze Unicode od 2.0 výše jsou zpětně kompatibilní, jsou přidávány pouze nové znaky, existující znaky nejsou vyřazovány nebo přejmenovávány. Poslední verze publikovaná v knižní podobě byla verze Unicode 5.2 (
ISBN
0-321-48091-0
); od verze 6.0 je plný text normy publikován pouze elektronicky; v roce 2012 bylo oznámeno, že od verze 6.1 bude v knižní podobě dostupné pouze jádro normy (v té době čítající 692 stránek) tištěné na žádost.
Na rozdíl od předchozích hlavních verzí výtisků normy, tištěná verze nezahrnuje žádné tabulky kódu nebo doplňky standardu. Celý standard, včetně jádra, je volně dostupný na WWW serveru Unicode konsorcia
1.0 (
1991
), 1.1 (
1993
, odpovídá normě ISO 10646-1:1993)
2.0
1996
),
2.1
1998
3.0
1999
2000
, odpovídá normě ISO 10646-1:2000),
3.1
2001
),
3.2
2002
4.0
2003
, odpovídá třetí verzi ISO 10646:2003),
4.1
2005
5.0
2006
),
5.1
2008
),
5.2
2009
) – celkem obsahuje 107361 znaků z 90 různých jazyků a abeced.
6.0
2010
),
6.1
2012
),
6.2
2012
),
6.3
2013
7.0
2014
) – rozšiřuje množinu znaků o asi 250 znaků
emodži
, celkem přidává 2834 nových znaků (327 do BMP, zbytek do Plane 1), zavádí 23 nových jazyků.
8.0
(2015) – obsahuje celkem 120737 grafických znaků ve 129 písmech; zavádí podporu abecedy Ahom, anatolských hieroglyfů, abeced Hatran, Multani,
Rovas
znakopisu
, doplňuje 5771 unifikovaných
CJK
ideografů, sadu malých písmen pro slabičné písmo Cherokee a pět emoji modifikátorů pro odstíny kůže
9.0
2016
10.0
2017
) – definuje celkem 136690 znaků ze 139 jazyků a abeced
11.0
2018
12.0
2019
13.0
2020
) – definuje 143859 znaků ve 154 písmech
14.0 (
2021
) – definuje 144697 znaků ve 159 písmech
10
15.0 (
2022
) – definuje 149186 znaků ve 161 písmech
11
16.0 (
2024
) – definuje 154998 znaků ve 168 písmech
12
17.0 (
2025
) – definuje 159801 znaků ve 174 písmech
13
14
Jednotnost
– konstantní šířka znaků (UTF-32) dovoluje efektivní hledání, řazení, editaci a zobrazení prvků.
Univerzálnost
– zahrnutí všech znaků, které by mohly být využity při výměně textů – především ty, které už byly definovány v hlavních mezinárodních, národních a průmyslových znakových sadách.
Jednoznačnost
– jakákoli 16bitová (dnes 32bitová) hodnota zastupuje v jakémkoliv kontextu stejný znak.
Maximální využití
– snadná zpracovatelnost textu poskládaného z posloupnosti znaků o konstantní šířce; kódování znaků není závislé na kontextu, pro strojové zpracování textu není nutné vyhodnocovat escape sekvence nebo prohledávat text dopředu či zpět kvůli určení totožnosti znaků.
Standard Unicode se oproti ISO 10646 navíc zabývá implementací algoritmů pro písma psaná zprava doleva (např.
arabština
), podporou oboustranných textů (jako např. směs hebrejštiny a latinky), algoritmy pro
řazení
a porovnávání textů.
Unicode Consortium může neustále aktualizovat rozsah znaků v tabulce Unicode vydávaním nových verzí. Proto následující řádky nemusí být v budoucnu stále platné. Unicode verze XX (rok XX?????) nezahrnuje znaky, které neslouží k zápisu textu, jako jsou například taneční či hudební značky. Rovněž se nezabývá variantami zobrazení znaků (ve fontu může být více glyfů pro jeden význam, resp. pro jeden kód dle tabulky) a neobsahuje speciální znaky pro přechodné vkládání textu. Ve znakovém repertoáru Unicode kódování je vyhrazeno 6400 znaků pro potřebu programů, jejichž využití není nijak omezeno.
V souvislosti s jazyky jako je
wachánština
, jejichž ortografie založené na
latince
používají několik znaků
cyrilice
či
řeckého písma
, byla řešena otázka, zda kvůli nim do Unicode přidat znaky jako
latinská
delta
latinská
théta
či
latinské
jery
jako latinské protějšky těchto řeckých a cyrilských písmen.
15
Jeden z názorů na tuto problematiku je, že požadavek, aby jazyk byl zapisován pouze znaky jednoho písma, je umělý, a že v minulosti si různé jazyky půjčovaly písmena i z jiných písem, takže na soubor písmen latinky, cyrilice a řeckého písma může být nahlíženo jako na latinsko-cyrilsko-řecké metapísmo, a tedy pro zápis těchto jazyků používat písmena v Unicode již obsažená místo vytváření nových.
16
I v případě, kdy by tato písmena byla zavedena, lze očekávat, že by i nadále pro zápis byly používány řecké a cyrilské verze těchto písmen, protože latinské verze by byly obsaženy pouze v malém počtu fontů.
15
Tento princip může způsobovat problémy při zpracování čínského, japonského a korejského písma (
CJK
), které mají společný historický základ, ale mají např. v Číně a Japonsku posunutý význam a odlišný tvar.
Unicode byl původně navrhován jako 16bitová znaková sada, což se později (hlavně s ohledem na
čínské znaky
) ukázalo jako nedostatečné. Původní rozsah Unicode, tj. prvních 65 536 znaků, které jsou reprezentovatelné pomocí 16 bitů, se označuje jako BMP (Basic Multilingual Plane) – základní vícejazyčná rovina Unicode.
Standard
ISO/IEC 10646
oproti Unicode zpočátku používal 31bitové kódování znaků, které umožňuje reprezentaci více než 2 miliard znaků. Toto množství se ukázalo být zbytečně velké, proto bylo v listopadu 2003 v souvislosti se zavedením kódování UTF-16 omezeno na rozsah 0 až 10FFFF
16
rozdělený na 17 tak zvaných
rovin
anglicky
plane
) po 65
536 znacích (10000
16
). Celý rozsah kódů tak lze rozdělit na BMP (Plane 0), Plane 1, Plane 2… až Plane 16. Celková kapacita Unicode je tedy 1114112 kódových bodů.
Znaky mimo BMP se v
UTF-16
kódují dvojicí speciálních kódů, které se nazývají
zástupné
nebo
náhradní páry
anglicky
surrogate pairs
surrogates
). Kódy používané pro náhradní páry spadají do BMP a nejsou jim přiřazeny žádné znaky.
Písma
podle místa původu: Evropa, Afrika, Blízký východ, Střední Asie, Jižní Asie, Jihovýchodní Asie, Východní Asie, Indonésie a Oceánie, Amerika
kombinující diakritika
fonetické znaky a zkratky: IPA
Číslice a číselné znaky
: číselné formy, zlomky, horní/dolní indexy
Interpunkční znaménka
: obecná interpunkce
CJK
Symboly
: alfanumerické, kombinující diakritika, technické symboly, matematické symboly, ostatní symboly
Speciální
: kontrolní znaky, osobní použití (v tabulce v PUA – „Private Use Area“), náhradní symboly, „ne-znaky“, rezervované znaky
Každý znak má jednoznačný číselný kód a svůj název. Navíc Unicode definuje u každého znaku některé základní vlastnosti, jako např. zda se jedná o písmeno, symbol atd., zda je písmeno
velké
či
malé
atp.
Tabulka Unicode poskytuje prostor pro 1
114
112 znaků s kódy 0
16
až 10FFFF
16
. Tento prostor se dělí na 17 částí, každý o velikosti 2
16
. První část se nazývá
Basic Multilingual Plane
(BMP) a obsahuje znaky běžně používaných abeced. Původní 16bitový návrh Unicode počítal jen s BMP, následně se ale ukázalo, že pro pokrytí všech používaných abeced to nestačí.
Prvních 128 znaků (tj. sedmibitové kódy) obsahuje znakovou sadu
ASCII
. Osmibitové kódy (tj. prvních 256 znaků) obsahují znakovou sadu
ISO 8859-1
(ISO 8859-1 obsahuje ASCII).
V Unicode jsou také rezervovány místa pro
vlastní znaky
. Pro tento účel byla v Unicode tabulce rezervována tzv.
PUA sekce
(Private Use Area), ve které je možné využít volné kódy pro osobní potřebu. Takto je možné, aby tvůrci fontů vkládali k písmu vlastní grafiky jako jsou loga apod.
Je nutné si uvědomit, že v Unicode jsou to trvale volná místa a přináší jen
jediný benefit
– že nebudou zaměněny za jiný znak. V případě změny za cizí font je obvykle znak zvýrazněný jako chybějící.
Použití vlastních znaků v textu lze doporučit, jen pokud mají
dekorativní funkci
. Důvodem je jejich omezení v reprodukování.
Vlastní znaky
nelze volně přes internetovou síť dále reprodukovat (zobrazit, tisknout, číst hlasem), ale ani vyhledat. Existence těchto znaků může být spojená pouze s konkrétním fontem. Pokud se dokument bude pohybovat ve známém prostředí, např. intranet, tak s vlastním, resp. firemním fontem lze zajistit alespoň vizuální reprodukovatelnost (zobrazení, tisk) těchto znaků.
Zajistit správné zobrazení na internetové síti lze pomocí
uzavřeného formátu
, například v
PDF souboru
. Tento elektronický dokument by však měl splňovat kritéria nejen pro správné zobrazení, ale také například čitelnost pro vyhledávače, reprodukovatelnost přes screen-readery pro zrakově postižené apod. Zajistěte při použití vlastních znaků, aby nenesly „čtenou“ informaci a měly jen dekorativní funkci.
BOM
hexa
Velikost
prostoru Unicode
Kódování
velikost
atomu
,1B=8b)
počet
atomů
maximální
délka znaku
,1B=8b)
EF BB BF
21b, větší než
BMP
UTF-8
1B
1 až 4
4B
FE FF
21b, větší než
BMP
UTF-16
, varianta UTF-16BE, (
big-endian
2B
1 až 2
4B
FF FE
21b, větší než
BMP
UTF-16
, varianta UTF-16LE, (
little-endian
2B
1 až 2
4B
00 00 FE FF
32b, větší než
BMP
UTF-32
, varianta UTF-32BE, (
big-endian
2B
4B
FF FE 00 00
32b, větší než
BMP
UTF-32
, varianta UTF-32LE, (
little-endian
2B
4B
EF BB BF
31b, větší než
BMP
UTF-8
, rozšíření
1B
1 až 6
6B
FE FF
16b, právě
BMP
UCS-2
, varianta UCS-2BE, (
big-endian
2B
2B
FF FE
16b, právě
BMP
UCS-2
, varianta UCS-2LE, (
little-endian
2B
2B
8b, menší než
BMP
ASCII +
code page
1B
1B
7b, menší než
BMP
ASCII
1B
1B
Existuje několik různých způsobů, jak
kódovat
řetězce složené ze znaků (kódových bodů) Unicode. Unicode řetězec je sekvencí kódových bodů Unicode. Způsob jak tuto sekvenci uložit do paměti počítače nebo serializovat na disk se označuje jako kódovací znakové schéma (Character Encoding Scheme), které zahrnuje způsob kódování znaků a způsob jejich serializace do sekvence bajtů. Základní kódování Unicode jsou:
UTF-8
UTF-16 (UTF-16BE, UTF-16LE)
UTF-32 (UTF-32BE, UTF-32LE)
GB18030
– čínský standard, není definováno v normě Unicode, ale je na Unicode vázané (znakový repertoár je shodný s Unicode)
Kódování UTF-32, UTF-16 a UCS-2 mají každá své varianty podle používaného
pořadí bajtů
. Buď je napevno stanoveno pořadí little-endian, resp., big-endian, nebo se toto pořadí určuje podle tzv.
byte order mark
(BOM), speciální značky umístěné na začátku textu.
V kódování
UTF-32
(též označováno jako UCS-4) je každý znak reprezentován přímo 32bitovým číslem. Jedná se tedy o principiálně velmi jednoduché kódování (jeho hlavní výhodou je stejná délka všech znaků), které však má poměrně vysoké nároky na paměť. Při serializaci do posloupnosti bajtů se podle endianity rozlišují varianty UTF-32BE (big-endian), UTF-32LE (little-endian) a UTF-32 (nestanoveno, může být určeno pomocí BOM).
V kódování
UTF-16
se znaky
BMP
reprezentují jedním 16bitovým číslem, znaky mimo BMP jsou reprezentovány párem 16bitových čísel (tzv.
surrogate pair
). Pro
surrogate pairs
se používají čísla v rozsahu D800
16
–DFFF
16
, přičemž odpovídající znaky v BMP (U+D800 – U+DFFF) jsou rezervovány pro tento účel, nemohou se proto v původním textu vyskytnout.
Podle endianity se rozlišují varianty UTF-16BE (big-endian), UTF-16LE (little-endian) a UTF-16 (nestanoveno, může být určeno pomocí BOM). UTF-16 je výrazně úspornější než UTF-32, ale ztrácí výhodu pevné šířky znaku – některé znaky jsou široké 2 bajty, některé 4. Přesto se jedná o kódování používané jako základní ve velkém množství
operačních systémů
a dalšího softwaru (např.
Microsoft Windows
.NET Framework
atd.).
UTF-8
kóduje znaky různě dlouhou (1–4 bajty, pro původní 31bitové
ISO/IEC 10646
až 6 bajtů) posloupností bajtů podle jejich
kódu
v Unicode. Znaky
ASCII
(U+0000 – U+007F) jsou kódovány jedním bajtem, identicky jako v ASCII, znaky v rozsahu U+0080 – U+07FF (kde jsou také všechny znaky s diakritikou používané v české abecedě) jsou kódovány dvěma bajty, znaky U+0800 – U+FFFF (kam patří znak
Euro – € – U+20AC
) jsou kódovány třemi bajty, znaky mimo BMP jsou kódovány čtyřmi bajty. Znaky s vyššími kódy podle původního návrhu
ISO/IEC 10646
by používaly pětibajtové a šestibajtové kódování.
UTF-8 se často používá pro přenos dat, neboť je prostorově úsporné (hlavně pro texty psané latinkou s nevelkým počtem znaků s diakritikou, které obsahují většinu jednobajtových a zbytek dvoubajtových kódů; v nelatinkových písmech je většina textu tvořena dvoubajtovými kódy, písma
Dálného východu
používají tříbajtové kódy), je odolné proti chybám a zpětně kompatibilní s ASCII. Při jeho zpracování je však nepříjemná nestejná délka znaků.
17
Je preferovaným kódováním v
unixových systémech
, které používají Unicode.
Použití BOM jako příznaku endianity je u UTF-8 zbytečné (pořadí bajtů je jednoznačně určeno), BOM však může posloužit pro snadnou detekci, že se jedná o UTF-8.
UTF-8 je popsané v ISO 10646-1:2000 Annex D a také v
RFC 3629
UCS-2
kóduje každý znak z
BMP
pomocí šestnáctibitového čísla; znaky mimo BMP nelze v UCS-2 reprezentovat, proto je UCS-2 omezená znaková sada, podobně jako ASCII. Při reprezentaci proudem oktetů (bajtů) má varianty big endian a little endian. Proud dat může být zahájen BOM. UCS-2 bylo vyřazeno ze standardu v roce 1996. Výhodou UCS-2 oproti UTF-8 nebo UTF-16 je konstantní délka znaku a snadné zjišťování počtu znaků v řetězci. Obsahuje-li text pouze znaky z BMP, je UCS-2 nerozlišitelné od UTF-16.
Z různých důvodů existují také další, méně často používaná, kódování, jako
UTF-7
či
CESU-8
Znakovou sadu Unicode používá většina moderních operačních systémů. Operační systémy
Microsoft Windows
používají pro vnitřní zápis znaků (např. jména souborů a adresářů v
NTFS
) od
Windows 2000
kódování UTF-16, avšak zároveň se v české mutaci používá kódování
CP1250
(historicky) a
CP852
(v příkazovém řádku).
Většina
distribucí Linuxu
používá buď rovnou
UTF-8
nebo umožňuje jeho ruční nastavení.
Některé starší aplikace Unicode (dosud) nepodporují. Na druhé straně pro některé systémy je Unicode již jedinou používanou znakovou sadou. Programovací jazyky
Java
a jazyky podporující
Common Language Infrastructure
(např.
C#
) vnitřně používají šestnáctibitovou verzi Unicode a navenek podporují mnoho různých kódování. Též
systémy řízení báze dat
dnes již často používají Unicode pro uložení znakových údajů. Na Unicode je založen kancelářský balík
Microsoft Office
od verze 97.
Unicode je znakovou sadou pro
HTML
dokumenty od verze 4.0 a pro všechny
XML
dokumenty. Výchozím kódováním je
UTF-8
, které všechny prohlížeče podporují už delší dobu.
Na rozdíl od dřívějších osmibitových tabulek znaků jako je
bratří Kamenických
Latin 2
Windows-1250
či
ISO-8859-2
lze všechny znaky zobrazit zároveň; v jednom textu lze tedy kombinovat např.
češtinu
latinka
),
ruštinu
cyrilice
) a
řečtinu
alfabeta
). Pro reprezentaci českých znaků existují dva způsoby. Buď lze použít "předkomponovaný" (precomposed) znak, tedy např. pro dlouhé A kód U+00C1, nebo je možné tento znak složit jako sekvneci
Základní formy normalizace jsou: NFD (kanonická dekompozice), NFC (kanonická kompozice), NFKD (kompatibilní dekompozice), NFKC (kompatibilní kompozice). Více viz přílohu
Unicode Normalization Forms
standardu Unicode.
znak
HTML entita
dec
hex
UTF-8 v
URL
znak
HTML entita
dec
hex
UTF-8 v
URL
Aacute;
193
U+00C1
%C3%81
aacute;
225
U+00E1
%C3%A1
Ccaron;
268
U+010C
%C4%8C
ccaron;
269
U+010D
%C4%8D
Dcaron;
270
U+010E
%C4%8E
dcaron;
271
U+010F
%C4%8F
Eacute;
201
U+00C9
%C3%89
eacute;
233
U+00E9
%C3%A9
Ecaron;
282
U+011A
%C4%9A
ecaron;
283
U+011B
%C4%9B
Iacute;
205
U+00CD
%C3%8D
iacute;
237
U+00ED
%C3%AD
Ncaron;
327
U+0147
%C5%87
ncaron;
328
U+0148
%C5%88
Oacute;
211
U+00D3
%C3%93
oacute;
243
U+00F3
%C3%B3
Rcaron;
344
U+0158
%C5%98
rcaron;
345
U+0159
%C5%99
Scaron;
352
U+0160
%C5%A0
scaron;
353
U+0161
%C5%A1
Tcaron;
356
U+0164
%C5%A4
tcaron;
357
U+0165
%C5%A5
Uacute;
218
U+00DA
%C3%9A
uacute;
250
U+00FA
%C3%BA
Uring;
366
U+016E
%C5%AE
uring;
367
U+016F
%C5%AF
Yacute;
221
U+00DD
%C3%9D
yacute;
253
U+00FD
%C3%BD
Zcaron;
381
U+017D
%C5%BD
zcaron;
382
U+017E
%C5%BE
Tabulka českých diakritických znamének
pozn. 1
Znak
Unicode jméno
České jméno
Kód
COMBINING ACUTE ACCENT
čárka nad písmenem
U+0301
COMBINING CARON
háček
U+030C
COMBINING RING ABOVE
kroužek
U+030A
Diakritická znaménka uvedená v tabulce, vystupující samostatně, mají kódy jiné.
V tomto článku byl použit
překlad
textu z článku
Unicode
na anglické Wikipedii.
The Unicode Standard: A Technical Introduction
[online]. [cit. 2010-03-16].
Dostupné online
Přehled kódování češtiny
Unicode 6.1 Paperback Available
[online].
Dostupné online
The Unicode Consortium
Unicode Scripts
Unicode Statistics.
www.unicode.org
[online]. [cit. 2024-04-03].
Dostupné online
NĚMEC, Petr. Unicode Standard 7.0: přibližně 250 nových „smajlíků“.
Root.cz
[online]. 2014-06-17 [cit. 2014-08-26].
Dostupné online
ISSN
1212-8309
Unicode 7.0.0
na unicode.org, cit. 2014-08-26
Unicode Data 8.0.0
[online]. [cit. 2015-06-17].
Dostupné online
Unicode 14.0.0
Unicode 15.0.0
Unicode 16.0.0
Unicode® 17.0.0
FERRO, Deanna. Unicode 17.0 Release Announcement.
The Unicode Blog
[online]. 2025-09-09 [cit. 2025-11-14].
Dostupné online
. (anglicky)
Jim Allan,
mixed-script writing systems
, 2002-11-15, cit. 2014-08-27
Kenneth Whistler,
mixed-script writing systems
, 2002-11-15, cit. 2014-08-27
The Unicode Standard, Version 5.2
, kapitola 2.5
Encoding Forms
, s. 28
US