из Псевдо в Unicode

Урут сахалыы буукубалар туспа куодтара суох этэ. Ол итэҕэһи суох гынаары биһиги уолаттарбыт элбэхтик туттуллубат си-бэлиэлэр (символлар) куодтарыгар саха буукубаларын "баайан" биэрбиттэрэ. Оннук хас да ньыма үөскээбитэ.

Уонча сыллааҕыта Юникод диэн куод тиһигэ (систиэмэтэ) ылыныллыаҕыттан бу кыһалҕа сүппүтэ - саха буукубалара аан дойдуга билиниллибиттэрэ. Ол эрэн аны атын кыһалҕа көбөн кэлбитэ - тайах үтүөрбүт атахтаах киһиэхэ мэһэйдиирин курдук, аны бэйэбит оҥостубут "тайахтарбыт" биһиэхэ мэһэйдиир буолбуттара. Тоҕо диэтэххэ урукку кодировкаҕа үөрэнэн хаалбыт дьон сөптөөх кодировкаҕа күһэйиитэ суох көспөттөр. Онон баччааҥҥа дылы сахалыы саайтарга уруккунан суруйа олороллор.

Бу туох куһаҕаннааҕый? Бастакыта - бэйэ-бэйэни өйдөспөт буолуу (биир киһи суруйбутун атын киһи кыайан аахпата), поисковиктарга наадалаах тиэкиһи булан ылар күчүмэҕэйэ. Иккиһэ - маннык кодировкалар алдьатыллыбыт бичиктэри (шрифтэри) туттарга күһэйэллэр - ханнык да аан дойду бичигэ биһиги "тайах"-кодировкабытын өйөөбөтө биллэр. Оттон алдьатыллыбыт бичиги туттуу - сокуону кэһии. Бу тугунан диэлийэн тахсарын айбыт таҥара билэр - хаһан эрэ бичиги бас билээччилэр сахалыы тиэкистэри барытын "вне закона" биллэрэн кэбиһиэхтэрин сөп (ол иһигэр бырабыытылыстыба хаһыаттарын).


Скопируйте текст в неправильной якутской кодировке в окно конвертора и нажмите кнопку "Convert". Все символы из неправильной кодировки будут заменены на юникодовые (ҕҥөһү ҔҤӨҺҮ). Получившийся результат можно скопировать обратно для дальнейшего редактирования и/или публикации в Интернет.

Данный конвертор сам пытается определить, в какой из неправильных якутских кодировок закодирован текст. Но если Вы считаете, что кодировка определяется неправильно, то перед тем, как нажать на кнопку "Convert", выберите нужную кодировку источника.






Неправильные кодировки - это всякого рода модификации устаревших однобайтовых (восьмибитных) кодировок, типа cp1251 или Latin-1. Подобные pseudo-кодировки не поддерживаются, да и не поддерживались никогда, большинством компьютерных программ.

Глоссарий


Юникод - это набор символов, абстрактная таблица, где каждой букве из разных языков присвоен номер.

Кодировка (напр. UTF-8 или КОИ-8 или Windows-1251) - это система кодирования последовательности символов в двоичный код для последующего сохранения в компьютерный файл или передачи информации по сети.

Шрифт - это набор графических изображений для отображения символов на экране или бумаге.

Клавиатурная раскладка - система конвертации нажатий на клавиши в коды (номера) символов.


Comments