CHARSETS

NOME

DESCRIZIONE

Questa pagina di manuale presenta il punto di vista di un programmatore sui diversi standard per gli insiemi di caratteri e su come interagiscono in Linux. Gli standard discussi includono ASCII, ISO 8859, KOI8-R, Unicode, ISO 2022 e ISO 4873. Verrà data maggiore importanza agli insiemi di caratteri effettivamente usati come insiemi di caratteri di localizzazione, non sulla miriade di altri insiemi presenti nei dati in altri sistemi.

L'elenco completo di insiemi di caratteri usati da glibc 2.2.3 in una localizzazione supportata ufficialmente è: ISO-8859-{1,2,3,5,6,7,8,9,13,15}, CP1251, UTF-8, EUC-{KR,JP,TW}, KOI8-{R,U}, GB2312, GB18030, GBK, BIG5, BIG5-HKSCS and TIS-620 (in nessun ordine particolare). (Il rumeno potrebbe passare a ISO-8859-16).  

ASCII

Esistono alcune varianti ASCII che sostituiscono il simbolo del dollaro con i simboli di altre valute, e la punteggiatura con caratteri alfabetici non inglesi per includere altri caratteri a 7 bit tedeschi, francesi, spagnoli ed altri. Sono tutte deprecate, in quanto glibc non supporta localizzazioni in cui insiemi di caratteri non siano veri insiemi di ASCII (questi insiemi sono noti come ISO-646, un parente prossimo di ASCII che permette la sostituzione di questi caratteri).

Essendo Linux stato scritto per hardware progettato negli USA, supporta ASCII nativamente.  

ISO 8859

Di questi, il più importante è ISO 8859-1 (Latin-1). È supportato nativamente dal driver di console di Linux, abbastanza bene da X11R6, ed è l'insieme base di caratteri di HTML.

Il supporto di console per gli altri insiemi di carattere 8859 è disponibile in Linux grazie a utilità in modo utente (come setfont(8)) che modificano le associazioni di tastiera e la tabella grafica EGA, e impiegano una "mappa utente" per la tabella di caratteri nel driver di console.

Ecco una breve descrizione di ciascun insieme:

8859-1 (Latin-1)

Latin-1 copre la maggior parte delle lingue europee occidentali, come albanese, catalano, danese, olandese, inglese, lingua delle isole Faroer, finlandese, francese, tedesco, galiziano, irlandese, islandese, italiano, norvegese, portoghese, spagnolo e svedese. La mancanza dei logotipi ij (olandese), oe (francese) e virgolette "vecchio stile" (tedesco) è tollerabile.

8859-2 (Latin-2)

Latin-2 supporta molte lingue slave e centro-europee a caratteri latini: ceco, croato, polacco, rumeno, slovacco, sloveno, tedesco e ungherese.

8859-3 (Latin-3)

Latin-3 è popolare tra gli autori di esperanto, galiziano e maltese (il turco invece ora si scrive con 8859-9).

8859-4 (Latin-4)

Latin-4 introduce lettere per estone, lettone e lituano. È essenzialmente obsoleto; vedere 8859-10 (Latin-6) e 8859-13 (Latin-7).

8859-5

Lettere cirilliche per bulgaro, bellorusso, macedone, russo, serbo e ucraino. Gli ucraini leggono la lettera `ghe' con trattino in basso come `heh' e avrebbero bisogno di una ghe con trattino in alto per scrivere la ghe corretta. Vedere più sotto la discussione su KOI8-R.

8859-6

Supporta l'arabico. La tabella di glifi 8859-6 contiene un insieme di caratteri fissi con lettere distinte, ma un appropriato motore di visualizzazione dovrebbe combinarli usando le corrette forme iniziali, mediane e finali.

8859-7

Supporta il greco moderno.

8859-8

Supporta l'ebraico moderno senza niqud (segni di punteggiatura). Niqud e lo sviluppo completo dell'ebraico della Bibbia vanno al di là degli scopi di questo insieme di caratteri: in Linux, la codifica favorita per questi caratteri è UTF-8.

8859-9 (Latin-5)

Questa è una variante di Latin-1 che sostituisce le lettere islandesi con quelle turche.

8859-10 (Latin-6)

Latin 6 aggiunge le ultime lettere inuit (groenlandese) e sami (lappone) mancanti in Latin-4, così da coprire l'intera area nordica. RFC 1345 elencava una versione preliminare, e differente, di `latin6'. Il sami skolt ha ancora bisogno di alcuni ulteriori accenti.

8859-11

Esiste solo come bozza standard rifiutata. La bozza era identica a TIS-620, che veniva usato sotto Linux per il Thai.

8859-12

Questo insieme non esiste. Qualcuno ha suggerito il vietnamita per questo spazio, ma esso non rientra nei 96 caratteri ISO (non combinati) offerti da 8859. L'insieme di caratteri preferito usato sotto Linux per il vietnamita è UTF-8.

8859-13 (Latin-7)

Supporta il linguaggio baltico Rim: in particolare, include i caratteri lettoni non inseriti in Latin-4.

8859-14 (Latin-8)

Insieme di caratteri celtico, che comprende gaelico e gallese. Contiene anche i caratteri punteggiati usati nel vecchio irlandese.

8859-15

Aggiunge il segno dell'Euro e alcune lettere francesi e finlandesi assenti in Latin-1.

8859-16 (Latin-10)

Questo insieme comprende molte lingue inserite in 8859-2, e supporta il rumeno in modo più completo.

KOI8-R

Il supporto di console per KOI8-R è disponibile in Linux grazie a utilità in modo utente che modificano le associazioni di tastiera e la tabella grafica EGA, e impiegano una "mappa utente" per la tabella di caratteri nel driver di console.  

JIS X 0208

KS X 1001

GB 2312

Big5

TIS 620

UNICODE

Linux rappresenta Unicode tramite il "Formato di trasferimento Unicode" (Unicode Transfer Format) a 8 bit (UTF-8). UTF-8 è una codifica di Unicode a lunghezza variabile. Utilizza 1 byte per codificare 7 bit, 2 byte per 11 bit, 3 byte per 16 bit, 4 byte per 21 bit, 5 byte per 26 bit e 6 byte per 31 bit.

Poniamo che 0,1,x sia uno zero, uno o un bit arbitrario. Un byte 0xxxxxxx rappresenta l'Unicode 00000000 0xxxxxxx, che codifica lo stesso simbolo dell'ASCII 0xxxxxxx. Perciò, ASCII rimane invariato in UTF-8 e coloro che usano solo ASCII non notano nessuna differenza: né nel codice, né nella dimensione del file.

Un byte 110xxxxx è l'inizio di una codifica a due byte, dove 110xxxxx 10yyyyyy sta per 00000xxx xxyyyyyy. Un byte 1110xxxx è l'inizio di una codifica a tre byte, dove 1110xxxx 10yyyyyy 10zzzzzz sta per xxxxyyyy yyzzzzzz. (Se si usa UTF-8 per codificare l'ISO 10646 a 31 bit, la progressione continua fino alle codifiche a 6 byte.)

Per gli utilizzatori degli insiemi di caratteri ISO-8859, questo significa che i caratteri al di fuori dell'ASCII sono ora codificati con due byte. Ciò tende ad espandere un file ordinario di testo dell'uno o due per cento. Per utilizzatori russi o greci, espande file ordinari di testo del 100%, dato che il testo in queste lingue è quasi tutto al di fuori dell'ASCII. Per gli utilizzatori giapponesi significa che la codifica a 16 bit oggi comunemente usata userà tre byte. Anche se ci sono algoritmi di conversione da alcuni insiemi di caratteri (specialmente ISO-8859-1) a Unicode, conversioni generali richiedono l'uso di tabelle di conversione, che possono essere piuttosto grandi per codifiche a 16 bit.

Si noti che UTF-8 è autosincronizzante: 10xxxxxx è una coda, e qualsiasi altro byte è la testa di un codice. Si noti anche che l'unico modo in cui un byte ASCII può comparire in una sequenza UTF-8 è come se stesso. In particolare, non ci sono byte NULL ('\0') inseriti o '/' che formano una parte di un codice più lungo.

Poiché ASCII e, in particolare, NUL e '/' sono invariati, il kernel non si rende conto dell'utilizzo di UTF-8. Non gli interessa il significato dei byte di cui si occupa.

Le sequenze di dati Unicode sono solitamente rese attraverso tabelle che associano sottoinsiemi di Unicode a glifi. Internamente, il kernel usa Unicode per descrivere il sottoinsieme di caratteri caricato nella RAM video. Ciò significa che in modo UTF-8 si può usare un insieme di caratteri con soli 512 simboli diversi. Questo non è sufficiente per giapponese, cinese e coreano, ma basta per la maggior parte degli altri utilizzi.

Attualmente il driver di console non si occupa delle combinazioni di caratteri. Dunque il tailandese, il sioux e qualunque altro script che abbia bisogno di combinazioni di caratteri non può essere gestito dalla console.  

ISO 2022 e ISO 4873

Ci sono quattro insiemi di caratteri grafici, chiamati G0, G1, G2 e G3: uno di loro è l'insieme di caratteri attuale per i codici con bit più alto zero (all'inizio G0), e uno di loro è l'insieme attuale per i codici con bit più alto uno (all'inizio G1). Ciascun insieme di caratteri grafici ha 94 o 96 caratteri ed è essenzialmente un insieme a sette bit. Usa i codici 040-0177 (041-0176) oppure 0240-0377 (0241-0376). G0 ha sempre 94 elementi e usa i codici 041-0176.

Si passa da un insieme all'altro attraverso le funzioni di cambiamento ^N (SO o LS1), ^O (SI o LS0), ESC n (LS2), ESC o (LS3), ESC N (SS2), ESC O (SS3), ESC ~ (LS1R), ESC } (LS2R), ESC | (LS3R). La funzione LSn fa sì che l'insieme Gn sia quello attuale per codici con bit più alto zero. La funzione LSnR fa sì che l'insieme Gn sia quello attuale per codici con bit più alto uno. La funzione SSn fa sì che l'insieme Gn (n=2 o 3) sia quello attuale per il solo carattere successivo (qualsiasi sia il valore del suo bit più alto).

Un insieme da 94 caratteri viene denotato come insieme Gn da una sequenza di escape ESC ( xx (per G0), ESC ) xx (per G1), ESC * xx (per G2), ESC + xx (per G3), dove xx è un simbolo o una coppia di simboli trovati in ISO 2375 International Register of Coded Character Sets. Per esempio, ESC ( @ seleziona l'insieme di caratteri ISO 646 come G0, ESC ( A seleziona l'insieme standard inglese (con la sterlina al posto del cancelletto), ESC ( B seleziona l'ASCII (col dollaro al posto del simbolo monetario), ESC ( M seleziona un insieme di caratteri per le lingue africane, ESC ( ! A seleziona l'insieme cubano, ecc. ecc.

Un insieme da 96 caratteri viene denotato come l'insieme Gn da una sequenza di escape ESC - xx (per G1), ESC . xx (per G2), o ESC / xx (per G3). Per esempio, ESC - G seleziona l'alfabeto ebraico come G1.

Un insieme multibyte viene denotato come insieme Gn da una sequenza di escape ESC $ xx o ESC $ ( xx (per G0), ESC $ ) xx (per G1), ESC $ * xx (per G2), ESC $ + xx (per G3). Per esempio, ESC $ ( C seleziona l'insieme di caratteri coreano come G0. L'insieme giapponese selezionato da ESC $ B ha una versione più recente selezionata da ESC & @ ESC $ B.

ISO 4873 stabilisce un uso più restrittivo degli insiemi, in cui G0 è fisso (sempre ASCII), facendo sì che G1, G2 e G3 possano essere invocati solo per codici in cui il bit più alto è impostato. In particolare, ^N e ^O non vengono più usati, ESC ( xx può essere usato solo con xx=B, e ESC ) xx, ESC * xx, ESC + xx sono equivalenti, rispettivamente, a ESC - xx, ESC . xx, ESC / xx.  

VEDERE ANCHE

COLOPHON

Index

NOME

DESCRIZIONE

ASCII

ISO 8859

KOI8-R

JIS X 0208

KS X 1001

GB 2312

Big5

TIS 620

UNICODE

ISO 2022 e ISO 4873

VEDERE ANCHE

COLOPHON