charsets(4) internacionalización y conjuntos de caracteres desde el

DESCRIPCIÓN

Linux es un sistema operativo internacional. Varias de sus utilidades y controladores de dispositivos (incluyendo el de la consola) admiten conjuntos de caracteres multilingües incluyendo letras del alfabeto latino con marcas diacríticas, acentos, ligaduras, y alfabetos enteros no latinos incluyendo el griego, cirílico, árabe y hebreo.

Esta página de manual presenta una visión de los estándares de conjuntos de caracteres desde el punto de vista del programador, y cómo encajan todos juntos en Linux. Los estándares en discusión incluyen el ASCII, ISO 8859, KOI8-R, Unicode, ISO 2022 e ISO 4873.

ASCII

ASCII (American Standard Code For Information, Código Estándar Americano para la Información) es el conjunto de caracteres original de 7 bits, diseñado inicialmente para el inglés americano. Actualmente se describe en el estándar ECMA-6.

En Gran Bretaña se emplea una variante donde se reemplaza el símbolo del sostenido o almohadilla o libra peso o número (#) por la libra esterlina británica; cuando sea preciso, las variantes americanas y británicas pueden distinguirse por los nombres "US ASCII" y "UK ASCII".

Como Linux fue escrito para equipos diseñados en los EE.UU., admite US ASCII de modo nativo.

ISO 8859

ISO 8859 es una serie de conjuntos de caracteres de 8 bits, los cuales tienen como su primera mitad (7 bits) el US ASCII, caracteres de control invisibles en las posiciones 128 a 159, y 96 gráficos fijos desde la posición 160 hasta la 255.

De éstos, el más importante es el ISO 8859-1 (Latin-1). Es admitido de modo nativo por el controlador de consola de Linux, muy bien admitido en X11R6 y es el conjunto de caracteres base de HTML.

El soporte de consola para los otros conjuntos de caracteres 8859 está disponible en Linux a través de utilidades de usuario (como setfont(8)) que modifican las asociaciones de teclas y la tabla de gráficos EGA/VGA y emplean la tabla de tipos de letra de "correspondencia de usuario" en el controlador de consola.

Aquí se presentan breves descripciones de cada conjunto:

8859-1 (Latin-1)
Latin-1 cubre la mayoría de lenguajes de Europa Occidental como el albanés, catalán, danés, neerlandés, inglés, feroés, finés, francés, alemán, gallego, gaélico, islandés, italiano, noruego, portugués, español y sueco. La falta de las ligaduras neerlandesa ij, francesa oe y las comillas antiguas ,,alemanas`` es tolerable.

8859-2 (Latin-2)
Latin-2 admite la mayoría de las lenguas eslavas y de Centro-Europa que se escriben con caracteres latinos: checo, alemán, húngaro, polaco, rumano, croata, eslovaco y esloveno.

8859-3 (Latin-3)
Latin-3 es popular entre los autores de esperanto, gallego, maltés y turco.
8859-4 (Latin-4)
Latin-4 introdujo letras para el estonio, letón y lituano. Esencialmente está obsoleto; vea el 8859-10 (Latin-6).
8859-5
Letras cirílicas para el búlgaro, bielorruso, macedonio, ruso, serbio y ucraniano. Los ucranianos leen la letra `ghe' con palote como `heh' y necesitarían una `ghe' con plumada ascendente para escribir una correcta `ghe'. Vea la discusión sobre el KOI8-R más abajo.
8859-6
Para el árabe. La tabla de glifos 8859-6 es un tipo fijo de formas de letra separadas, pero un mecanismo de visualización correcto debería combinar éstas usando las formas iniciales, medias y finales apropiadas.
8859-7
Admite el griego moderno.
8859-8
Admite el hebreo.
8859-9 (Latin-5)
Ésta es una variante del Latin-1 que reemplaza letras islandesas no muy usadas con otras turcas.
8859-10 (Latin-6)
El Latin 6 añade las últimas letras del inuit (esquimal de Groenlandia) y del sami (lapón) que faltaban en el Latin 4 para cubrir toda el área nórdica. RFC 1345 listaba un `latin6' preliminar y diferente. El sami skolt aún necesita unos pocos acentos más que éstos.

KOI8-R

El KOI8-R es un conjunto de caracteres no ISO popular en Rusia. La primera mitad es el US ASCII; la segunda es un conjunto de caracteres cirílico algo mejor diseñado que el ISO 8859-5.

El soporte de consola para el KOI8-R está disponible en Linux a través de utilidades de usuario (como setfont(8)) que modifican las asociaciones de teclas y la tabla de gráficos EGA y emplean la tabla de tipos de letra de "correspondencia de usuario" en el controlador de consola.

UNICODE

Unicode (ISO 10646) es un estándar cuyo objetivo es representar inequívocamente cada glifo conocido en cada lenguaje humano. La codificación nativa de Unicode es de 32 bits (versiones más antiguas empleaban 16). Hay información sobre Unicode en el URL <http://www.unicode.com>.

Linux representa Unicode empleando el Formato de Transferencia Unicode de 8 bits (UTF-8). UTF-8 es una codificación de Unicode de longitud variable. Emplea 1 byte para codificar 7 bits, 2 bytes para 11 bits, 3 bytes para 16 bits, 4 bytes para 21 bits, 5 bytes para 26 bits, y 6 bytes para 31 bits.

Sean 0, 1, x el 0, el 1 ó un bit arbitrario. Un byte 0xxxxxxx representa el carácter Unicode 00000000 0xxxxxxx que codifica el mismo símbolo que el ASCII 0xxxxxxx. Así, ASCII va sin cambio alguno dentro de UTF-8, y la gente que emplea ASCII no nota ningún cambio: ni en el código ni en tamaños de fichero.

Un byte 110xxxxx es el comienzo de un código de 2 bytes, y 110xxxxx 10yyyyyy se ensambla en 00000xxx xxyyyyyy. Un byte 1110xxxx es el comienzo de un código de 3 bytes, y 1110xxxx 10yyyyyy 10zzzzzz se ensambla en xxxxyyyy yyzzzzzz. (Cuando se emplea UTF-8 para codificar el ISO 10646 de 31 bits, esta progresión continúa hasta códigos de 6 bytes.)

Para los usuarios de ISO-8859-1, esto significa que los caracteres con el último bit a 1 se codifican ahora con dos bytes. Esto tiende a expandir los ficheros de texto ordinarios en un 1 ó 2%. Sin embargo no hay problemas de conversión, puesto que los valores Unicode de los símbolos de ISO-8859-1 igualan a los correspondientes de los de ISO-8859-1 (extendidos en 8 bits iniciales a 0). Para los usuarios japoneses esto significa que los códigos de 16 bits de uso común actualmente, necesitarán tres bytes y se requerirán tablas de correspondencia. Por eso muchos japoneses prefieren el ISO 2022.

Observe que UTF-8 es auto-sincronizante: 10xxxxxx es una cola, y cualquier otro byte es la cabeza de un código. Observe que de la única manera que los bytes ASCII aparecen en un flujo UTF-8 es como ellos mismos. En particular, no hay NULs o '/'s incluidos que formen parte de algún código más grande.

Puesto que ASCII, y, en particular, NUL y '/', permanecen inalterados, el núcleo no se entera de que se está empleando UTF-8. No le importa en absoluto para qué son los bytes que está manejando.

La representación de los flujos de datos Unicode se maneja normalmente a través de tablas de `subtipo' que hacen corresponder un subconjunto de Unicode a glifos. Internamente el núcleo emplea Unicode para describir el subtipo de letra cargada en RAM de vídeo. Esto significa que en el modo UTF-8 uno puede emplear un conjunto de caracteres con 512 símbolos diferentes. Esto no basta para el japonés, chino ni coreano, pero es bastante para la mayoría de otros propósitos.

ISO 2022 Y ISO 4873

Los estándares ISO 2022 y 4873 describen un modelo de control de tipo de letra basado en la VT100. Este modelo es (parcialmente) admitido por el núcleo de Linux y por xterm(1). Es popular en Japón y Corea.

Hay 4 conjuntos de caracteres gráficos, llamados G0, G1, G2 y G3, y uno de ellos es el conjunto de caracteres actual para los códigos con el bit más alto a 0 (inicialmente G0), y uno de ellos es el conjunto de caracteres actual para los códigos con el bit más alto a 1 (inicialmente G1). Cada conjunto de caracteres gráfico tiene 94 ó 96 caracteres, y es esencialmente un conjunto de caracteres de 7 bits. Emplea códigos bien entre 040-0177 (041-0176) o bien entre 0240-0377 (0241-0376). G0 siempre tiene de tamaño 94 y emplea códigos en el rango 041-0176.

El cambio entre los conjuntos de caracteres se realiza empleando las funciones de cambio ^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 función LSn hace que el conjunto de caracteres Gn sea el actual para los códigos con el bit más alto a 0. La función LSnR hace que el conjunto de caracteres Gn sea el actual para los códigos con el bit más alto a 1. La función SSn hace que el conjunto de caracteres Gn (n=2 ó 3) sea el actual para el siguiente carácter solamente (tenga lo que tenga su bit más alto).

Un conjunto de 94 caracteres se designa como el conjunto de caracteres Gn por una secuencia de escape ESC ( xx (para G0), ESC ) xx (para G1), ESC * xx (para G2), ESC + xx (para G3), donde xx es un símbolo o un par de símbolos del Registro Internacional de Conjuntos de Caracteres Codificados ISO 2375. Por ejemplo, ESC ( @ selecciona el conjunto de caracteres ISO 646 como el G0, ESC ( A selecciona el conjunto de caracteres estándar de R.U. (con la libra esterlina en lugar del signo numeral #), ESC ( B selecciona el ASCII (con el dólar $ en lugar del símbolo monetario ¤), ESC ( M selecciona un conjunto de caracteres para lenguas africanas, ESC ( ! selecciona el conjunto de caracteres cubano, etc. etc. etc.

Un conjunto de 96 caracteres se designa como el conjunto de caracteres Gn por una secuencia de escape ESC - xx (para G1), ESC . xx (para G2) o ESC / xx (para G3). Por ejemplo, ESC - G selecciona el alfabeto hebreo como el G1.

Un conjunto de caracteres multibyte se designa como el conjunto de caracteres Gn por una secuencia de escape ESC $ xx o ESC $ ( xx (para G0), ESC $ ) xx (para G1), ESC $ * xx (para G2), ESC $ + xx (para G3). Por ejemplo, ESC $ ( C selecciona el conjunto de caracteres coreano para G0. El conjunto de caracteres japonés seleccionado por ESC $ B tiene una versión más reciente seleccionada por ESC & @ ESC $ B.

ISO 4873 estipula un uso más reducido de conjuntos de caracteres, donde G0 está fijo (siempre ASCII), de modo que G1, G2 y G3 sólo pueden ser llamados para códigos con el bit más alto a 1. En particular, ^N y ^O ya no se usan más, ESC ( xx sólo puede emplearse con xx=B y ESC ) xx, ESC * xx, ESC + xx son equivalentes a ESC - xx, ESC . xx, ESC / xx, respectivamente.