charsets

NOM

DESCRIPTION

ASCII, GB 2312, ISO/IEC 8859, JIS, KOI8-R, KS et Unicode font partie des normes présentées.

Un accent particulier est mis sur les jeux de caractères qui étaient véritablement utilisés dans les paramètres régionaux, et non sur la myriade de jeux de caractères provenant d'autres systèmes.  

ASCII

Différentes variantes d'ASCII sont apparues, remplaçant 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 sur-ensemble d'ASCII.

Comme Unicode, lors de l’utilisation d’UTF-8, est compatible avec ASCII, le texte en simple ASCII est toujours rendu correctement sur les systèmes modernes utilisant l’UTF-8.  

ISO/IEC 8859

De tous ces jeux, le plus important est l'ISO/IEC 8859-1 (« alphabet latin nº 1 », latin-1). Il était massivement adopté et pris en charge par différents systèmes et est remplacé au fur et à mesure par Unicode. Les caractères d’ISO/IEC 8859-1 sont aussi les premiers 256 caractèresd’Unicode.

La prise en charge en console des autres jeux de caractères ISO/IEC 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 table de fonte du gestionnaire de console.

Voici une brève description des jeux de caractères 8859 :

ISO/IEC 8859-1 (Latin-1)

Le latin-1 couvre de nombreuses langues d'Europe, comme l'albanais, l'anglais, le basque, le danois, l'espagnol, le féroïen, le galicien, le gallois, l'irlandais, l'islandais, l'italien, le norvégien, le portugais et le suédois. L’absences de ligatures « IJ » et « ij » du néerlandais et « œ » du français, ainsi que l'absence des guillemets „allemands“ étaient considérées tolérables.

ISO/IEC 8859-2 (Latin-2)

Le latin-2 prend en charge de nombreuses langues d’Europe centrale et de l'Est utilisant l'alphabet latin comme l’allemand, le bosniaque, le croate, le hongrois, le polonais, le slovaque, le slovène et le tchèque. Remplacer les « ș » et « ț » roumains par « ş » et « ţ » était considéré tolérable.

ISO/IEC 8859-3 (Latin-3)

Le latin-3 était conçu pour couvrir l’espéranto, le gallois, le maltais et le turc, mais ISO/IEC 8859-9 l’a ensuite supplanté pour le turc.

ISO/IEC 8859-4 (Latin-4)

Le latin-4 a introduit des lettres pour les langues de l’Europe du Nord comme l'estonien, le letton et le lituanien, mais il a été supplanté par ISO/IEC 8859-10 et ISO/IEC 8859-13.

ISO/IEC 8859-5

Alphabet cyrillique prenant en charge le bulgare, le biélorusse, le macédonien, le russe, le serbe et (presque complètement) l’ukrainien. Il n’a jamais été beaucoup utilisé, consultez les remarques concernant KOI8-R et KOI-U ci-dessous.

ISO/IEC 8859-6

Avait été créé pour l'arabe. La table ISO/IEC 8859-6 est une fonte de largeur fixe de formes de lettre distinctes, mais un affichage correct doit combiner les lettres en utilisant leurs formes initiale, centrale et finale.

ISO/IEC 8859-7

Avait été créé pour le grec moderne en 1987 et mis à jour en 2003.

ISO/IEC 8859-8

Prend en charge l'hébreu moderne sans diacritiques (signes de ponctuation). Les diacritiques et l'hébreu biblique dans son ensemble étaient en dehors de la portée de ce jeu de caractères.

ISO/IEC 8859-9 (Latin-5)

Il s'agit d'une variante du latin-1 qui remplace les lettres islandaises rarement utilisées par des lettres turques.

ISO/IEC 8859-10 (Latin-6)

Le latin-6 ajoutait les lettres inuit (Groënland) et same (lapon) qui manquaient au latin-4 pour couvrir toute la zone nordique.

ISO/IEC 8859-11

Prend en charge l’alphabet thaï et est presque identique à la norme TIS-620.

ISO/IEC 8859-12

Ce jeu de caractères n’existe pas.

ISO/IEC 8859-13 (Latin-7)

Prend en charge les langues des pays baltes, en particulier les caractères lituaniens absents du latin-4.

ISO/IEC 8859-14 (Latin-8)

Jeu de caractères celtique, couvrant le breton, le cornique, le gaélique, le gallois, l’irlandais ancien et le mannois.

ISO/IEC 8859-15 (Latin-9)

Le latin-9 est similaire au latin-1 largement utilisé mais remplace les symboles les moins communs par le symbole euro et les lettres françaises et finlandaises qui manquaient au latin-1.

ISO/IEC 8859-16 (Latin-10)

Ce jeu de caractères couvre de nombreuses langues d’Europe du Sud-Est et, ce qui est plus important, prend mieux en charge le roumain que le latin-2.

KOI8-R et KOI8-U

La prise en charge du KOI8-R en console est disponible sous Linux, à l’aide d’utilitaires en mode utilisateur qui modifient la correspondance des touches du clavier, la table graphique EGA et utilisent une projection personnalisée de la table de fonte du gestionnaire de console.  

GB 2312

Big5

JIS X 0208

KS X 1001

ISO/IEC 2022 et ISO/IEC 4873

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 suites ^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 LSn réclame le jeu Gn pour les codes dont le bit de poids fort est à zéro. La fonction Sn demande le jeu Gn pour les codes dont le bit de poids fort est à un. La fonction SSn réclame le jeu Gn (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 Gn par une suite 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/IEC 2375 International Register of Coded Character Sets. Par exemple, ESC ( @ sélectionne le jeu de caractère ISO/IEC 646 en tant que G0, ESC ( A sélectionne le jeu normalisé au Royaume-Uni (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 Gn par une suite 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 Gn par une suite 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/IEC 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.  

TIS-620

Unicode

Linux représente l'Unicode en utilisant le format de transfert sur 8 bits (UTF-8). L'UTF-8 est un encodage 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 ou x des bits à 0, 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 l’encodage, 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 encoder les 31 bits de l'ISO/IEC 10646 cette progression continue jusqu'à des codes sur 6 octets.

Pour la plupart des textes en ISO/IEC 8859, cela signifie que les caractères en dehors de l'ASCII sont désormais encodés sur deux octets. Cela tend à allonger la taille des fichiers textes ordinaires de un à deux pourcents. 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/IEC 8859-1) vers l'Unicode, mais une conversion générique nécessite l'utilisation de tables de conversion pouvant être assez larges pour des codes sur 16 bits.

Remarquez que l'UTF-8 se synchronise automatiquement : 10xxxxxx est 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 d’octet NULL (« \0 ») ou « / » faisant partie d'un code plus grand.

Comme l'ASCII, et, en particulier, l’octet NULL et « / », ne sont modifiés, 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 que pour une console Linux en mode UTF-8, un jeu de caractères avec 512 symboles différents peut être utilisé. Ce n'est pas assez pour le japonais, le chinois ou le coréen, mais c'est généralement suffisant pour toutes les autres utilisations.  

VOIR AUSSI

TRADUCTION

Cette traduction est une documentation libre ; veuillez vous reporter à la GNU General Public License version 3 concernant les conditions de copie et de distribution. Il n'y a aucune RESPONSABILITÉ LÉGALE.

Si vous découvrez un bogue dans la traduction de cette page de manuel, veuillez envoyer un message à

Index

NOM

DESCRIPTION

ASCII

ISO/IEC 8859

KOI8-R et KOI8-U

GB 2312

Big5

JIS X 0208

KS X 1001

ISO/IEC 2022 et ISO/IEC 4873

TIS-620

Unicode

VOIR AUSSI

TRADUCTION