NOM¶
charsets - Jeux de caractères et internationalisation pour les
programmeurs
DESCRIPTION¶
Linux est un système d'exploitation international. Plusieurs de ses
utilitaires et de ses gestionnaires de périphériques (y compris
le gestionnaire de console) prennent en charge les jeux de caractères
multilingues contenant les lettres de l'alphabet latin avec des accents et des
ligatures, et des alphabets non latin complets comme le grec, le cyrillique,
l'arabe ou l'hébreu.
Cette page de manuel présente le point de vue du programmeur sur les
différents jeux de caractères, et comment ils s'organisent sous
Linux. Les normes présentées sont l'ASCII, l'ISO 8859, le
KOI8-R, l'Unicode, l'ISO 2022 et l'ISO 4873. Un accent
particulier est mis sur les jeux de caractères véritablement
utilisés dans les paramètres régionaux, et non sur la
myriade de jeux de caractères provenant d'autres systèmes.
Une liste complète des jeux de caractères utilisés dans les
paramètres régionaux officiels de la glibc est :
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 et TIS-620, sans ordre particulier. Le
roumain a basculé vers ISO-8859-16.
ASCII¶
L'ASCII (American Standard Code For Information Interchange) est le jeu de
caractères 7 bits original, prévu pour l'anglais
(américain). Il est décrit actuellement dans la norme ECMA-6.
Différentes variantes d'ASCII existent, qui remplacent le dollar par
d'autres symboles monétaires et la ponctuation par des
caractères accentués pour couvrir l'allemand, le
français, l'espagnol et d'autres langues en 7 bits. Elles sont
toutes obsolètes, la glibc ne gère que les paramètres
régionaux dont le jeu de caractères est un surensemble d'ASCII
(ces jeux de caractères sont aussi appelés ISO-646, un cousin
proche d'ASCII qui a permis de remplacer ces caractères).
Comme Linux est écrit pour du matériel conçu aux
États-Unis, il prend en charge l'ASCII de manière native.
ISO 8859¶
L'ISO 8859 est une série de 10 jeux de caractères
8 bits, contenant l'ASCII US dans leur première moitié
(7 bits), des caractères de contrôle non imprimables
entre les positions 128 et 159, et 96 symboles graphiques de largeur
fixe aux emplacements 160 à 255.
De tous ces jeux, le plus important est l'ISO 8859-1 (latin-1). Il est
pris en charge de manière native par le gestionnaire de console Linux,
assez bien pris en charge par X11R6, et c'est le jeu de caractères de
base pour l'HTML.
La prise en charge console des autres jeux de caractères 8859 est
disponible sous Linux, à travers des utilitaires comme
setfont(8), qui modifient la correspondance des touches du clavier, la
table graphique EGA, et utilisent une projection personnalisée de la
police du gestionnaire de console.
Voici une brève description des jeux de caractères 8859 :
- 8859-1 (latin-1)
- Le latin-1 couvre la plupart des langues d'Europe de l'Ouest, comme
l'albanais, l'allemand, l'anglais, le catalan, le danois, l'espagnol, le
férovingien, le finnois, le français, le gallois, le
néerlandais, l'irlandais, l'islandais, l'italien, le
norvégien, le portugais et le suédois. Le manque de ligature
entre les « ij » néerlandais, entre les
« oe » français, et l'absence des
anciens guillemets „allemands“ est tolérable.
- 8859-2 (latin-2)
- Le latin-2 contient la plupart des langues slaves d'Europe de l'Est
utilisant l'alphabet latin : allemand, croate, hongrois, polonais,
roumain, slovaque, slovène et tchèque.
- 8859-3 (latin-3)
- Le latin-3 est utilisé pour les textes en esperanto, gallois,
maltais et turc.
- 8859-4 (latin-4)
- Le latin-4 introduit des lettres pour l'estonien et le lituanien. Il est
presque obsolète, remplacé par 8859-10 (latin-6) et 8859-13
(latin-7).
- 8859-5
- L'alphabet cyrillique est utilisé en bulgare, biélorusse,
macédonien, russe, serbe et ukrainien. Les Ukrainiens prononcent la
lettre « ghe » fermée, comme
« heh » et auraient besoin d'un accent pour
distinguer le « ghe » correct. Consultez les
remarques concernant le KOI8-R ci-dessous.
- 8859-6
- Prend en charge l'arabe. La table 8859-6 est une police de
caractères de largeur fixe, mais un affichage correct doit combiner
les lettres en utilisant leurs formes initiale, centrale et finale.
- 8859-7
- Prend en charge le grec moderne.
- 8859-8
- Prend en charge l'hébreu sans niqqud (diacritiques). Les niqqud et
l'hébreu biblique dans son ensemble sont en dehors de la
portée de ce jeu de caractères ; sous Linux, UTF-8
est recommandé pour cela.
- 8859-9 (latin-5)
- Il s'agit d'une variante du latin-1 qui remplace les lettres islandaises
rarement utilisées par des lettres turques.
- 8859-10 (latin-6)
- Le latin 6 ajoute les dernières lettres inuit
(Groënland) et sami (lappon) qui manquaient dans le latin 4
pour couvrir toute la zone nordique. La RFC 1345 indique un
latin 6 préliminaire et différent. Le sami
nécessite en réalité plus d'accents que ceux
proposés.
- 8859-11
- Cela n'existe qu'en tant que proposition rejetée. Il s'agit d'une
version identique au TIS-620, utilisé sous Linux pour le
thaï.
- 8859-12
- Ce jeu n'existe pas. On a proposé de l'utiliser pour le vietnamien,
mais il ne tient pas dans les 96 caractères (sans
combinaisons) offerts par l'ISO 8859. L'UTF-8 est le jeu de
caractère préféré pour l'utilisation du
vietnamien sous Linux.
- 8859-13 (latin-7)
- Prend en charge les langues des pays baltes, en particulier les
caractères lituaniens absents du latin-4.
- 8859-14 (latin-8)
- Jeu de caractères celtique, couvrant le gaélique et le
gallois. Ce jeu contient les caractères pointés
nécessaires pour l'irlandais ancien.
- 8859-15 (latin-9)
- Dans ce jeu se trouvent le symbole euro et les ligatures françaises
qui manquaient dans le latin-1.
- 8859-16 (latin-10)
- Ce jeu recouvre la plupart des langues du 8859-2, et prend mieux en charge
le roumain.
KOI8-R¶
Le KOI8-R est un jeu de caractères non ISO très répandu en
Russie. La première moitié correspond à l'ASCII US, la
seconde est un jeu de caractère cyrillique un peu mieux conçu
que l'ISO 8859-5. Le KOI8-U est un jeu commun, basé sur le
KOI8-R, qui a une meilleure prise en charge de l'ukrainien. Aucun de ces jeux
n'est compatible avec l'ISO-2022, contrairement à l'ISO-8859.
La prise en charge console du KOI8-R est disponible sous Linux, à travers
des utilitaires comme
setfont(8), qui modifient la correspondance des
touches du clavier, la table graphique EGA, et utilisent une projection
personnalisée de la police du gestionnaire de console.
JIS X 0208¶
JIS X 0208 est un jeu de caractères standard japonais. Bien
qu'il y ait plusieurs jeux de caractères standard japonais, (comme
JIS X 0201, JIS X 0212, et
JIS X 0213), celui-ci est le plus important. Les
caractères sont projetés dans une matrice de deux octets 94x94,
dont chaque octet est dans l'intervalle 0x21-0x7E. Notez que
JIS X 0208 est un jeu de caractères, pas un encodage.
Cela signifie que JIS X 0208 lui-même n'est pas
utilisé pour exprimer des données de texte. Il est
utilisé comme composant pour construire un encodage comme EUC-JP,
Shift_JIS, et ISO-2022-JP. EUC-JP est le plus important encodage sous Linux et
inclut l'ASCII US et le JIS X 0208. Dans l'EUC-JP, les
caractères du JIS X 0208 sont exprimés sur deux
octets, chacun étant le code JIS X 0208 plus 0x80.
KS X 1001¶
KS X 1001 est un jeu de caractères standard coréen.
Comme dans le JIS X 0208, les caractères sont
projetés dans une matrice 94x94 sur deux octets.
KS X 1001 est utilisé, comme le JIS X 0208,
comme composant pour construire un encodage comme le EUC-KR, Johab, et
ISO-2022-KR. EUC-KR est l'encodage le plus important sous Linux et inclut
l'ASCII US et le KS X 1001. KS C 5601 est un
ancien nom pour le KS X 1001.
GB 2312¶
GB 2312 est le principal jeu de caractères chinois, utilisé
pour exprimer le chinois simplifié. Comme avec le
JIS X 0208, les caractères sont projetés dans une
matrice 94x94 sur deux octets pour construire l'EUC-CN. Celui-ci est
l'encodage le plus important sous Linux et inclut l'ASCII US et le
GB 2312. Notez que l'EUC-CN est souvent appelé GB,
GB 2312 ou CN-GB.
Big5¶
Big5 est un jeu de caractères populaire à Taïwan pour
exprimer le chinois traditionnel (Big5 est à la fois un jeu de
caractères et un encodage). C'est un surensemble de l'ASCII. Les
caractères non ASCII sont exprimés sur deux octets. Les octets
0xA1-0xFE sont utilisés en préambule pour les caractères
de deux octets. Le Big5 et son extension sont largement utilisés
à Taiwan et Hong-Kong. Il n'est pas compatible ISO 2022.
TIS-620¶
Le TIS-620 est un jeu de caractère standard thaï, et un
surensemble de l'ASCII US. Comme la série des ISO 8859, les
caractères thaïs sont projetés dans l'intervalle
0xA1-0xFE. Le TIS-620 est le seul jeu de caractères couramment
utilisé sous Linux, hormis l'UTF-8, avec des caractères
combinés.
UNICODE¶
L'Unicode (ISO 10646) est une norme destinée à
représenter sans ambiguïté tous les signes écrits
de toutes les langues humaines connues. La structure de l'Unicode offre
21 bits pour chaque caractère. Comme les ordinateurs n'ont pas
d'entiers avec 21 bits, l'encodage Unicode interne est sur
32 bits, et en externe sur des séries d'entiers 16 bits
(UTF-16) (qui ne nécessite deux entiers 16 bits que pour des
caractères rares) ou une série d'octets 8 bits (UTF-8).
Des informations supplémentaires sur l'Unicode sont disponibles sur
http://www.unicode.org
Linux représente l'Unicode en utilisant le format de transfert sur
8 bits (UTF-8). L'UTF-8 est un codage à longueur variable. Il
utilise un octet pour coder 7 bits, 2 octets pour
11 bits, 3 octets pour 16 bits, 4 octets pour
21 bits, 5 octets pour 26 bits, 6 octets pour
31 bits.
Représentons par 0,1,x des bits à 0, à 1, ou quelconque. Un
octet 0xxxxxxx correspond à
l'Unicode 00000000 0xxxxxxx qui indique le même symbole
que l'ASCII 0xxxxxxx. Ainsi, ASCII n'est pas modifié par UTF-8,
et les gens utilisant uniquement l'ASCII ne remarqueront aucun
changement : ni dans le codage, ni dans les tailles de fichiers.
Un octet 110xxxxx représente le début d'un code sur
2 octets, et 110xxxxx 10yyyyyy est assemblé en
00000xxx xxyyyyyy. Un octet 1110xxxx correspond au début d'un
code sur 3 octets, et 1110xxxx 10yyyyyy 10zzzzzz sont
assemblés en xxxxyyyy yyzzzzzz. Quand l'UTF-8 est utilisé
pour coder les 31 bits de l'ISO 10646 cette progression continue
jusqu'à des codes sur 6 octets.
Pour les utilisateurs de l'ISO-8859, cela signifie que les caractères
avec le bit de poids fort à 1 sont désormais codés sur
deux octets. Cela tend à allonger la taille des fichiers textes
ordinaires de quelques pour cent (N.d.T. : il n'y a pas de
problèmes de conversion néanmoins, car les symboles Unicode
correspondant aux caractères ISO-8859 conservent les mêmes
valeurs, étendues avec 8 bits à zéro en
tête). Pour le russe ou le grec, la taille des fichiers textes
ordinaires est généralement doublée car la plupart des
caractères sont en dehors de l'ASCII. Pour les utilisateurs japonais,
cela signifie que les codes sur 16 bits couramment employés
prendront désormais 3 octets. Des conversions algorithmiques
sont possibles depuis certains jeux de caractères (en particulier
ISO-8859-1) vers l'UTF-8, mais une conversion générique
nécessite l'utilisation de tables de conversion, qui peuvent
être assez larges pour des codes sur 16 bits.
Remarquez que l'UTF-8 se synchronise automatiquement : 10xxxxxx est le
corps ou la fin d'un code, et tout autre octet est un début de code.
Notez également que les octets ASCII dans un flux UTF-8 ne peuvent que
représenter les caractères ASCII correspondants. En particulier
il n'y a pas de caractères nuls (« \0 ») ou
« / » faisant partie d'un code plus grand.
Comme l'ASCII, et en particulier NUL et « / », n'est
pas modifié, le noyau ne remarque pas que l'UTF-8 est utilisé.
Il n'a pas à se préoccuper de la signification des octets qu'il
manipule.
La gestion des flux de données Unicode est généralement
effectuée à travers des tables de
« sous-fontes » correspondant à un
sous-ensemble des caractères Unicode. En interne, le noyau utilise
l'Unicode pour décrire les sous-fontes chargées en
mémoire vidéo. Cela signifie qu'en mode UTF-8, on peut utiliser
un jeu de caractères avec 512 symboles différents. Ce
n'est pas assez pour le japonais, le chinois ou le coréen, mais c'est
généralement suffisant pour toutes les autres utilisations.
À l'heure actuelle, le pilote de la console ne permet pas d'utiliser les
caractères combinants. Les langues thaï, sioux, et toute autre
nécessitant des caractères combinants ne peuvent pas être
utilisées sur la console.
ISO 2022 et ISO 4873¶
Les normes ISO 2022 et 4873 décrivent un modèle de
contrôle des polices basé sur le fonctionnement du VT100. Ce
modèle est (partiellement) pris en charge par le noyau Linux et
xterm(1). Il est assez populaire au Japon et en Corée.
Il existe 4 jeux de caractères graphiques, nommés G0, G1,
G2 et G3, l'un d'entre eux est utilisé comme jeu de caractères
en cours pour les codes avec le bit de poids fort à 0 (par
défaut G0), et un autre est utilisé pour les codes avec le bit
de poids fort à 1 (initialement G1). Chaque ensemble dispose de 94 ou
96 caractères, et est constitué de caractères sur
7 bits. Ce modèle utilise soit les codes 040-0177 (041-0176)
soit les codes 0240-0377 (0241-0376). G0 a toujours une taille de
94 caractères et utilise les codes 041-0176.
Le basculement entre les jeux de caractères est effectué à
travers les séquences
^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). La fonction LS
n réclame le jeu G
n pour les
codes dont le bit de poids fort est à zéro. La fonction S
n demande le jeu G
n pour les codes dont le bit de poids fort
est à un. La fonction SS
n réclame le jeu G
n (
n=2 ou 3) pour le caractère suivant uniquement (quelle que soit
la valeur du bit de poids fort).
Un jeu de 94 caractères est désigné comme jeu G
n par une séquence ESC ( xx (pour G0), ESC ) xx (pour G1), ESC *
xx (pour G2), ESC + xx (pour G3), où xx est un symbole, ou une paire de
symboles de la norme ISO 2375 International Register of Coded Character
Sets. Par exemple, ESC ( @ sélectionne le jeu ISO 646 en tant
que G0, ESC ( A sélectionne le jeu standard britannique (avec la livre
sterling à la place du dièse), ESC ( B sélectionne
l'ASCII, ESC ( M sélectionne un jeu de caractères africain, ESC
( ! A sélectionne les caractères cubains, etc.
Un jeu de 96 caractères est désigné comme jeu G
n par une séquence ESC - xx (pour G1), ESC . xx (pour G2) ou ESC
/ xx (pour G3). Par exemple, ESC - G sélectionne l'alphabet
hébreu comme G1.
Un jeu de caractères multioctets est désigné comme jeu G
n par une séquence ESC $ xx ou ESC $ ( xx (pour G0), ESC $ ) xx
(pour G1), ESC $ * xx (pour G2), ESC $ + xx (pour G3). Par exemple, ESC $ ( C
sélectionne les caractères coréens pour le jeu G0. Le jeu
de caractères japonais sélectionné par ESC $ B dispose
d'une version plus récente sélectionnée par ESC & @
ESC $ B.
L'ISO 4873 réclame une utilisation précise des jeux de
caractères, dans laquelle G0 est fixé (toujours l'ASCII), ainsi
seuls G1, G2 et G3 peuvent être invoqués pour les codes avec un
bit de poids fort à 1. En particulier,
^N et
^O ne sont
plus utilisés, ESC ( xx peut seulement être utilisé avec
xx=B, et ESC ) xx, ESC * xx, ESC + xx sont équivalents à ESC -
xx, ESC . xx, ESC / xx, respectivement.
VOIR AUSSI¶
console(4),
console_codes(4),
console_ioctl(4),
ascii(7),
iso_8859-1(7),
unicode(7),
utf-8(7)
COLOPHON¶
Cette page fait partie de la publication 3.65 du projet
man-pages Linux.
Une description du projet et des instructions pour signaler des anomalies
peuvent être trouvées à l'adresse
http://www.kernel.org/doc/man-pages/.
TRADUCTION¶
Depuis 2010, cette traduction est maintenue à l'aide de l'outil po4a
<
http://po4a.alioth.debian.org/> par l'équipe de traduction
francophone au sein du projet perkamon
<
http://perkamon.alioth.debian.org/>.
Christophe Blaess <
http://www.blaess.fr/christophe/> (1996-2003), Alain
Portal <
http://manpagesfr.free.fr/> (2003-2006). Julien Cristau et
l'équipe francophone de traduction de Debian (2006-2009).
Veuillez signaler toute erreur de traduction en écrivant à
<debian-l10n-french@lists.debian.org> ou par un rapport de bogue sur le
paquet
manpages-fr.
Vous pouvez toujours avoir accès à la version anglaise de ce
document en utilisant la commande «
man -L C
<section>
<page_de_man> ».