Caractères composés¶

Quelques codes de l'UCS ont été assignés à des caractères composés. Ils sont semblables aux touches d'accents sans avance sur les machines à écrire. Un caractère composé ajoute simplement un accent sur le caractère précédent. Les caractères accentués les plus importants ont leur propre code dans l'UCS. Cependant, le mécanisme des caractères composés permet d'ajouter des accents ou des signes diacritiques sur n'importe quel caractère de base. Les caractères composés suivent toujours le caractère qu'ils modifient. Par exemple, le caractère allemand « Umlaut-A » (A majuscule avec un tréma) peut être représenté soit par le code UCS précomposé 0x00C4, soit par la combinaison d'un A majuscule normal, suivi d'un « tréma composé », 0x0041 0x0308.

Les caractères composés sont essentiels par exemple pour le codage de l'écriture Thaï ou pour les notations mathématiques et l'alphabet phonétique international.

Niveaux d'implémentation¶

Comme tous les systèmes ne sont pas censés gérer les mécanismes avancés comme les caractères composés, ISO 10646-1 spécifie les trois niveaux d'implémentation suivants pour l'UCS :

Niveau 1

Les caractères composés et les caractères Hangul Jamo (un codage spécial de l'écriture coréenne, où les syllabes Hangûl sont codées par 2 ou 3 codes de voyelle ou consonne) ne sont pas gérés.

Niveau 2

Outre le niveau 1, les caractères composés sont maintenant permis pour certaines langues où ils sont essentiels (par exemple, le thaï, le laotien, l'hébreu, l'arabe, le devanâgarî, le malayâlam, etc.).

Niveau 3

Tous les caractères UCS sont gérés.

Le standard Unicode 3.0 publié par le Unicode Consortium contient exactement le Basic Multilingual Plane UCS au niveau d'implémentation 3, comme décrit dans la norme ISO 10646-1:2000. Unicode 3.1 ajoute les plans supplémentaires de l'ISO 10646-2. Le standard Unicode et les rapports techniques publiés par le Unicode Consortium fournissent beaucoup d'informations supplémentaires sur la sémantique et les recommandations d'usage de différents caractères. Ils fournissent des guides et des algorithmes pour éditer, trier, comparer, normaliser, convertir et afficher des chaînes Unicode.

Unicode sous Linux¶

Sous GNU/Linux, le type C wchar_t est un entier 32 bits signé, et sa valeur est toujours interprétée par la bibliothèque C comme un code UCS (dans toutes les locales), une convention signalée par la bibliothèque C GNU pour les applications en définissant la constante __STDC_ISO_10646__ comme indiquée dans le standard ISO C99.

L'UCS/Unicode peut être employé comme l'ASCII dans les flux d'entrée-sortie, les communications avec les terminaux, les fichiers texte, les noms de fichier et les variables d'environnement dans un encodage multioctet UTF-8 compatible ASCII. Pour signaler l'utilisation de l'UTF-8 comme encodage pour toutes les applications, une locale correcte doit être configurée dans les variables d'environnement (par exemple, «LANG=fr_FR.UTF-8 »).

La fonction nl_langinfo(CODESET) renvoie le nom du codage sélectionné. Les fonctions de bibliothèque comme wctomb(3) et mbsrtowcs(3) peuvent être utilisées pour transformer les caractères internes wchar_t et les chaînes dans le jeu de caractères du système et inversement. La fonction wcwidth(3) indique de combien de positions (0–2) le curseur a été avancé en affichant un caractère.

Sous Linux, en général, seule une implémentation BMP de niveau 1 devrait être utilisée pour le moment. Pour certaines écritures (en particulier le thaï), certains émulateurs de terminaux UTF-8 gèrent jusqu'à deux caractères combinés avec une fonte ISO 10646 (niveau 2), mais il vaut mieux préférer les caractères précomposés s'ils sont disponibles (Unicode appelle cela une forme de normalisation C).

Zone privée¶

L'intervalle entre 0xe000 et 0xf8ff du BMP ne sera jamais assigné a aucun caractère par le standard, et est réservé pour un usage privé. Pour la communauté Linux, cette zone privée a été divisée en deux. L'intervalle entre 0xe000 et 0xefff peut être utilisé individuellement par n'importe quel utilisateur final. L'intervalle s'étendant de 0xf000 à 0xf8ff est réservé à Linux, et les extensions y sont coordonnées entre les divers utilisateurs de Linux. L'enregistrement des caractères assignés à la zone Linux est actuellement maintenu par H. Peter Anvin <Peter.Anvin@linux.org>.

Littérature¶

*

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.

Il s'agit des spécifications officielles de l'UCS. Disponible en fichier PDF sur CD-ROM sur 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.

Un bon livre de référence sur langage de programmation C. La quatrième édition couvre maintenant l'amendement 1 de 1994 au standard ISO C90, qui ajoute un grand nombre de fonctions de bibliothèque C pour manipuler les jeux de caractères larges et multioctets, mais ne couvre pas encore l'ISO C99, qui améliore encore plus la gestion des caractères larges et multioctets.

*

Unicode Technical Reports.

*

Markus Kuhn : UTF-8 and Unicode FAQ for Unix/Linux.

*

Bruno Haible : Unicode HOWTO.