Manpages

NOME

charsets − Conjuntos de caracteres e internacionalização do ponto de vista do programador

DESCRIÇÃO

O linux é um sistema operacional internacional. Vários de seus utilitários e drivers (inclusive o driver do console) suportam vários conjuntos de caracteres, inclusive acentos, ligaduras e marcações diacríticas; além de outros alfabetos, inclusive o grego, cirílico, árabe e hebraico.

Esta página dá uma visão orientada ao programador das diferentes normas de conjuntos de caracteres, explicando como elas se encaixam no linux. Os padrões abordados incluem ASCII, ISO 8859, KOI8-R, Unicode, ISO 2022 e ISO 4873.

ASCII

ASCII (American Standard Code For Information Interchange) é um conjunto de caracteres de 7 bits originalmente criado para o inglês americano. Atualmente é descrito pela norma ECMA-6.

Há uma variante do ASCII que substitui o símbolo americano para a libra com o símbolo britânico da libra esterlina. Este ASCII é usado na Grã-Bretanha, e é chamado "UK ASCII", sendo o americano designado "US ASCII".

Como o linux foi escrito para hardware americano, ele normalmente suporta o ASCII americano

ISO 8859

ISO 8859 é um conjunto de 10 conjuntos de caracteres de 8 bits que começam com o ASCII americano (primeiros 128 caracteres), que são seguidos de caracteres de controle invisíveis (posições 128 a 159) e 96 gráficos de largura fixa nas posições de 160 a 255.

Destes, o mais importante é o ISO 8859-1 (Latin-1), que é suportado pelo driver do console linux, razoavelmente bem suportado pelo X11R6 e é o conjunto base do HTML.

O suporte aos outros conjuntos do 8859 pelo console pode ser ativado por utilitários como setfont(8) que modificam as ações do teclado e a tabela de gráficos EGA e usam a a tabela e fontes mapeada pelo usuário no controlador do console.

Seguem descrições breves de cada conjunto:
8859-1 (Latin-1)

Latin-1 serve para a maioria das linguas européias ocidentais como o albanês, catalão, dinamarquês, holandês, inglês, finlandês, francês, alemão, galício, irlandês, islandês, italiano, noruegu6es, português, espanhol e sueco. A falta de ligaduras ij (holandês), oe (francês) e das aspas ,, e ’’ do alemão é tolerável.

8859-2 (Latin-2)

Latin-2 serve para a maiora das linguas eslavas e centro-européias de escrita latina, tais como: croata, tcheco, alemão, húngaro, polonês, romeno, eslovaco e esloveno.

8859-3 (Latin-3)

Latin-3 é muito utilizado por quem escreve em esperanto, galício, maltês e turco.

8859-4 (Latin-4)

Latin-4 contém letras para o estoniano, látvio e lituano. Está basicamente obsoleto, veja 8859-10 Latin-6.

8859-9 (Latin-5)

Uma variante do Latin-1 que substitui letras islandesas raramente usadas por letras turcas.

8859-10 (Latin-6)

Latin 6 contém as letras inuit (Groelandesas) e sami (lapônicas) ausantes do latin-4 de modo a abranger toda a área nórdica. O RFC 1345 contém um ’latin6’ preliminar que é diferente. O sami skolt requer alguns acentos que estão ausentes nesta versão.

8859-13 (Latin-7)
8859-14 (Latin-8)
8859-15

Acrescenta o sinal de euro e as ligaduras francesas que estão ausentes no Latin-1.

KOI8-R

KOI8-R é um conjunto de caracteres não ISO muito usado na Rússia. A metade inferior é ASCII americano, e a superior é um conjunto de caracteres cirílicos um pouco melhor projetado que o do ISO 8859-5.

O suporte a KOI8-R pelo console é acionado por utilitários que modificam o mapeamento do teclado e a tabela de gráficos EGA, utilizando a tabela de mapeamento pelo usuário no driver do console.

UNICODE

Unicode (ISO 106460 é uma norma que visa representar sem ambigüidade todos os símbolos usados em linguagens humanas. A encodificação é em 32 bits (as versões mais antigas usam 16 bits). Mais informações sobre o Unicode em <http://www.unicode.com>;.

O linux representa o unicode com o Unicode transfer Format (UTF-8) de 8 bits. UTF-8 representa o Unicode com comprimento variável, usando 1 byte para 7 bits, 2 para 11 bits, 3 para 16 bits, 4 para 21 bits, 5 para 26 bits e 6 para 31 bits.

Sejam 0,1,x um zero, um, ou bit arbitrário. Um byte 0xxxxxxx representa o caracter unicode 00000000 0xxxxxxx, que por sua vez codifica o mesmo que 0xxxxxxx em ASCII. Assim, o ASCII não é modificado pelo UTF-8, e as pessoas que usem apenas ASCII não notarão nenhuma diferença: nem no código nem no tamanho do arquivo. LP Um byte 110xxxxx inicia um código de 2 bytes, e a seqüência 110xxxxx 10yyyyyy é traduzida para 00000xxx xxyyyyyy. Um byte 1110xxxx inicia um código de 3 bytes, e 1110xxxx 10yyyyyy 10zzzzzz é traduzida para xxxxyyyy yyzzzzzz. Quando se usa UTF-8 para o ISO 10646 de 31 bits, esta progressão continua até códigos de 6 bytes.

Para os usuários de ISO-8859-1 isto significa que os caracteres com o bit mais significativo presente passam a ser codificados com dois bytes. Isto tende a aumentar o tamanho de arquivos de texto em um ou dois porcento. Não há problemas de conversão, no entanto, porque os valores unicode dos símbolos ISO-8859-1 são iguais aos valores originais no ISO 8859-1 (seguidos por oito bits zero). Para os usuários japoneses, isto significa que os códigos de 16 bits atualmente usados passam a necessitar de 3 bytes, e são necessárias extensas tabelas de mapeamento. Muitos usuários japoneses preferem o ISO 2022 por isso.

Observe que o UTF-8 é auto-sincronizante: 10xxxxxx inicia, e todo o resto do byte termina um código. Observe ainda que bytes ASCII aparecem em um fluxo UTF-8 representados unicamente do modo como eles aparecem. É especialmente importante que os NULs e ’/’ não são modificados.

Como o ASCII,o NUL e o ’/’ não são modificados, o kernel não percebe que o UTF-8 está sendo usado. Ele não se importa com quais são os significados dos bytes com que ele está lidando.

A tradução de streams unicode é normalmente feita por tabelas ’subfont’, que associam subconjuntos do unicode a glifos. Internamente, o kernel usa unicode para descrever a subfonte carregada na RAM de vídeo. Isto significa que se pode usar um conjunto de caracteres com 512 símbolos no modo UTF-8. Isto não é suficiente para japonês, chinês ou coreano, mas serve para a maioria das outras aplicações.

ISO 2022 AND ISO 4873

As normas ISO 2022 e 4873 descrevem um modelo de controle de fonte baseado no VT100. Este modelo é parcialmente suportado pelo kernel e pelo xterm(1). É popular no Japão e na Coréia.

Há quatro conjuntos de caracteres gráficos (G0, G1, G2 e G3), um dos quais é o conjunto atual de caracteres para códigos com o bit mais significativo ausente (inicialmente é o G0), e um deles é o conjunto inicial para códigos com este bit presente (inicialmente o G1). Cada conjunto gráfico tem 94 ou 96 caracteres, e é essencialmente um conjunto de 7 bits. Eles utilizam os códigos de 040 a 0177 (ou 041 a 0176) ou de 0240 a 0377 (ou de 0241 a 0376). G0 sempre tem 94 de tamanho e usa os códigos de 041 a 0176.

A mudança entre os conjuntos de caracteres é feita com as funções de permuta ^N (SO ou LS1), ^O (SI ou LS0), ESC n (LS2), ESC o (LS3), ESC N (SS2), ESC O (SS3), ESC ~ (LS1R), ESC } (LS2R), ESC | (LS3R). A função LSn aciona o conjunto de caracteres Gn para códigos com o bit mais significativo ausente. A função LSnR aciona o conjunto de caracteres Gn para códigos com o bit mais significativo presente. A função SSn aciona o conjunto de caracteres Gn (n=2 ou 3) para o próximo caracter independente do valor de seu bit mais significativo.

Os conjuntos de caracteres de 94 itens - designado Gn - podem ser ativados pelas seqüências ’ESC ( xx’ (G0); ’ESC ) xx’ (G1), ’ESC * xx’ (G2) e ’ESC + xx’ (G3); onde xx é um código definido pela norma ISO 2375 (conjunto internacional de conjuntos de caracteres codificados). Por exemplo, ESC ( @ seleciona o conjunto ISO 646 como G0, ESC ( A seleciona o conjunto britânico de caracteres (com o símbolo da libra ao invés do número), ESC ( B seleciona ASCII (com o dólar no lugar do símbolo de moeda), ESC ( M seleciona um conjunto de caracteres para linguagens africanas, ESC ( ! seleciona um conjunto de caracteres cubano, etc, etc.

Um conjunto de caracteres de 96 itens - designado Gn - é ativável pela seqüência ESC - xx (G1), ESC . xx (G2) ou ESC / xx (G3). Por exemplo, ESC - G seleciona o alfabeto hebraico como G1.

Um conjunto de caracteres com múltiplos bytes - designado Gn - é acionado com as seqüências ’ESC $ xx’ ou ’ESC $ ( xx’ (G0), ESC $ ( C coloca o conjunto de caracteres coreano em G0. O conjunto japonês invocado por ESC $ B tem uma versão mais recente selecionável por ’ESC & @ ESC $ B’.

ISO 4873 define um conjunto de caracteres mais estreitos, no qual G0 é fixo (sempre ASCII), do modo que G1, G2 e G3 só podem ser invocados por códigos com o bit mais significativo presente. Especificamente, ^N e ^O não são mais usados, ESC ( xx pode ser usado apenas com xx=B; e ESC ) xx, ESC * xx e ESC + xx equivalem a ESC - xx, ESC . xx e ESC / xx respectivamente.

VEJA TAMBÉM

console(4), console_ioctl(4), console_codes(4), ascii(7), iso_8859_1(7), unicode(7), utf-8(7)

TRADUZIDO POR LDP-BR em 21/08/2000.

Paulo César Mendes <drps [AT] ism.br> (tradução) André L. Fassone Canova <lonelywolf [AT] blv.br> (revisão)