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.
- 8859-5
- Cirílico. Suporta búlgaro, bielorusso,
macedônio, russo, sérvio e ucraninano. Os ucranianos lêem a
letra 'ghe' 'heh', e precisariam de um ghe acentuado para escrever esta
letra corretamente. Veja a discussão sobre o KOI8-R abaixo.
- 8859-6
- Suporta árabe. A tabela de glifos do 8859-6 é uma
fonte fixa com formas separadas. Para exibi-las, um driver tem que
conbiná-las usando as formas iniciais, média e final.
- 8859-7
- Suporta o grego moderno.
- 8859-8
- Suprota hebraico.
- 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 LS
n aciona o conjunto de caracteres G
n para
códigos com o bit mais significativo ausente. A função LS
nR aciona o conjunto de caracteres G
n para códigos com o
bit mais significativo presente. A função SS
n aciona o
conjunto de caracteres G
n (
n=2 ou 3) para o próximo
caracter independente do valor de seu bit mais significativo.
Os conjuntos de caracteres de 94 itens - designado G
n - 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 G
n - 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 G
n -
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@ism.com.br> (tradução) André
L. Fassone Canova <lonelywolf@blv.com.br> (revisão)