Scroll to navigation

UNICODE(7) Linux - příručka programátora UNICODE(7)

JMÉNO

Unicode - univerzální znaková sada

POPIS

Mezinárodní standard ISO 10646 definuje Universal Character Set (UCS). UCS obsahuje všechny znaky všech kódování znakových sad. Navíc garantuje kompatibilitu zpětné konverze, to jest je možno postavit konverzní tabulky tak, aby nedocházelo ke ztrátě informace při konverzi z jiného kódování do UCS a zpět.

UCS obsahuje znaky potřebné pro téměř všechny známé jazyky. Mimo jiné je to mnoho jazyků využívajících rozšíření latinky a také následující jazyky a písma: řečtinu, azbuku, hebrejštinu, arabštinu, arménštinu, gruzínštinu, japonštinu, čínštinu, korejské ideogramy Han, písma Hiragana, Katakana, Hangul, Devangari, Bengali, Gurmukhi, Gujarati, Oriya, Tamil, Telugu, Kannada, Malayalam, thajštinu, Lao, Khmer, Bopomofo, tibetštinu, runové písmo, etiopštinu, kanadské slabiky, Cherokee, mongolštinu, Ogham, barmštinu, sinhálštinu, Thaana, Yi a mnoho jiných. Pracuje se na vložení dalších písem jako hieroglyfy a různé historické indoevropské jazyky, eventuálně by mohly být začleněny některé umělé jazyky, jako Tengwar, Cirth a klingonština. UCS navíc ke znakům pro tyto jazyky obsahuje grafické, typografické, matematické a vědecké symboly používané např. v TeXu, PostScriptu, APL, MS-DOSu, MS-Windows, Macintosh, OCR, stejně tak jako v mnoha systémech pro zpracování textu a publikování, které neustále přibývají.

Kódování UCS (ISO 10646) popisuje 31-bitovou znakovou sadu, sestávající ze 128 24-bitových IR skupin , z nichž každá je rozdělena do 256 16-bitových planes(ploch), které se skládají z 256 8-bitových řad s 256 sloupci - pro každý znak jeden. Část 1 standardu (ISO 10646-1) definuje prvních 65534 kódů (0x0000 až 0xfffd), tvoří tzv. Basic Multilingual Plane (BMP), tj. plochu 0 ve skupině 0. Část 2 standardu (ISO 10646-2) doplňuje znaky do skupiny 0 mimo BMP v několika doplňkových plochách v rozsahu 0x100000 až 0x10ffff. Doplnění znaků nad 0x10ffff se neplánuje, z celého kódového prostoru skupiny 0 bude tedy v dohledné budoucnosti využita pouze malá část. BMP obsahuje všechny znaky, obsažené v obvykle užívaných znakových sadách. Doplňkové plochy doplněné v ISO 10646-2 zahrnují pouze exotické znaky pro zvláštní vědecké použití, tisk slovníků, publikování, vysokoúrovňové protokoly a nadšence.

Reprezentaci každého UCS znaku jako dvoubajtového slova se říká UCS-2 forma (jen pro znaky z BMP), zatímco UCS-4 je reprezentace každého znaku čtyřbajtovým slovem. Navíc existují dvě formy kódování: UTF-8 pro zpětnou kompatibilitu s programy zpracovávajícími ASCII a UTF-16 pro zpětně kompatibilní zpracování znaků mimo BMP až do 0x10ffff programy používajícími UCS-2.

Kódování UCS pro znaky mezi 0x0000 a 0x007f je totožné s běžnou sadou US-ASCII a znaky mezi 0x0000 a 0x00ff jsou totožné se sadou ISO 8859-1 Latin-1.

Spojování znaků

Některé kódy v UCS jsou přiřazeny tzv. akcentům. Tyto jsou podobné neposouvajícím znakům na psacím stroji. Akcent modifikuje předchozí znak. Nejdůležitější znaky s akcenty sice mají své vlastní kódy v UCS, ale akcentové znaky dovolují přidat libovolné diakritické znaménko k libovolnému znaku. Akcent vždy následuje znak, který je modifikován. Například, německý znak Umlaut-A ("Velké A v latince s umlautem") může být reprezentován pomocí kódu UCS 0x00c4 a nebo alternativně jako kombinace normálního velkého A, následovaného akcentem umlaut: 0x0041 0x0308.

Akcenty jsou nezbytné např. pro thajské písmo, pro matematické tisky a pro uživatele Mezinárodní fonetické abecedy.

Úrovně implementace

Protože se neočekává,že všechny systémy budou podporovat všechny varianty kódování, ISO 10646-1 definuje následující tři úrovně implementace UCS:

Akcenty a znaky Hanghul Jamo (speciální, komplikované kódování korejského písma, kde jsou jednotlivé symboly dány jako sekvence dvou či tří znaků) nejsou podporovány.
Jako level 1, přičemž některé kombinující znaky jsou povoleny (např. pro thajštinu, Lao, hebrejštinu, arabštinu, Devangari, Malayalam atd.
Všechny znaky z UCS jsou povoleny.

Standard Unicode 3.0 publikovaný Unicode Consorciem sestává přesně z UCS Basic Multilingual Plane na úrovni implementace level 3, definované v ISO 10646-1:2000. Unicode 3.1 přidává doplňkové plochy z ISO 10646-2. Standard Unicode a technické zprávy, které Unicode Consotium publikuje, obsahují mnoho dodatečných informací o semantice a doporučených použitích různých znaků. Poskytují vodítka a algoritmy pro editování, třídění, porovnávání, normalizování, konverzi a zobrazování Unicode řetězců.

Unicode pod Linuxem

V GNU/Linuxu je datový typ jazyka C wchar_t definován jako 32 bitový integer. Knihovna jazyka C jeho hodnoty vždy interpretuje jako kódové hodnoty UCS (ve všech locale), což je konvence, kterou GNU knihovna jazyka C oznamuje aplikacím definováním konstanty __STDC_ISO_10646__, tj. tak, jak to určuje standard ISO C99.

UCS/Unicode může být, stejně jako ASCII, používáno ve vstupních a výstupních proudech, terminálové komunikaci, souborech prostého textu, názvech souborů a proměnných prostředí prostřednictvím ASCII kompatibilního vícebajtového kódování UTF-8. K užívání UTF-8 jako kódování znaků pro všechny aplikace je třeba vybrat vhodné locale pomocí proměnných prostředí (např. "LANG=en_GB.UTF-8").

Funkce nl_langinfo(CODESET) vrací název zvoleného kódování. Knihovní funkce jako wctomb(3) a mbsrtowcs(3) mohou být použity ke konverzi interního typu wchar_t do kódování používaného systémem a naopak. Funkce wcwidth(3) říká, kolik o pozic (0–2) postoupil kurzor po vytištění znaku.

V Linuxu je obecně používána pouze BMP Level 1. Některé UTF-8 emulátory terminálů a ISO 10646 fonty (level 2) podporují až dva akcenty pro jeden základní znak u některých písem (zejm. thajština), ale obecně by tam, kde je to možné, měly být upřednostňovány znaky s vlastními kódy. (Unicode to nazývá Normalization Form C).

Vyhrazená oblast

Kódy BMP, v intervalu 0xe000 do 0xf8ff nikdy nesmějí být definovány standardem a jsou vyhrazeny pro privátní použití. Pro uživatele Linuxu je tato oblast rozdělena na interval od 0xe000 do 0xefff, který je určen pro individuální použití a tzv. Linuxovou zónu od 0xf000 do 0xf8ff, kde jsou rozšíření definována pro všechny instalace Linuxu. Tato rozšíření jsou registrována (v současné době) H. Peter Anvinem <Peter.Anvin@linux.org>.

Literatura

*
Information technology — Universal Multiple-Octet Coded Character Set (UCS) — Part 1: Architecture and Basic Multilingual Plane. International Standard ISO/IEC 10646-1, International Organization for Standardization, Geneva, 2000.

Toto je oficiální specifikace UCS. Lze objednat jako PDF soubor na CD-ROM z http://www.iso.ch/.

*
The Unicode Standard, Version 3.0. The Unicode Consortium, Addison-Wesley, Reading, MA, 2000, ISBN 0-201-61633-5.
*
S. Harbison, G. Steele. C: A Reference Manual. Fourth edition, Prentice Hall, Englewood Cliffs, 1995, ISBN 0-13-326224-3.

Dobrá referenční kniha o jazyku C. Čtvrté vydání také zahrnuje dodatek 1 z roku 1994 ke standardu ISO C 90, který přidává mnoho knihovních funkcí pro práci s wide-byte a multi-byte kódováními, ale ještě nezahrnuje ISO C99, které dále zlepšilo podporu těchto kódování.

*
Technické zprávy Unicode.
*
Markus Kuhn: UTF-8 and Unicode FAQ for Unix/Linux.
http://www.cl.cam.ac.uk/~mgk25/unicode.html

Obsahuje informace, jak se připojit ke e-mailové konferenci linux-utf8, což je nejlepší místo pro hledání rady ohledně užívání Unicode v Linuxu.

*
Bruno Haible: Unicode HOWTO.

CHYBY

V době psaní tohoto manuálu byla podpora v Linux libc pro UTF-8 locales hotova a podpora v XFree86 byla v pokročilém stadiu, ale práce na tvorbě aplikací (zejm. editorů) vhodných pro použití v UTF-8 locale ještě probíhaly. Současná obecná podpora UCS v Linuxu obvykle zahrnuje CJK znaky s dvojitou šířkou a někdy i jednoduché akcenty, ale většinou nezahrnuje podporu pro písma, která se píší zprava doleva nebo požadavky na ligature substitution, jako např. hebrejština, arabština nebo indická písma. Tato písma jsou v současnosti podporována pouze v některých GUI aplikacích (prohlížeče HTML, textové procesory) obsahujících sofistikované nástroje pro vykreslování textu.

DALŠÍ INFORMACE

setlocale(3), charsets(7), utf-8(7)

TIRÁŽ

Tato stránka je součástí projektu Linux man-pages. Popis projektu a informace o hlášení chyb najdete na http://www.kernel.org/doc/man-pages/.

2001-05-11 GNU