NOMBRE¶

charsets - internacionalización y conjuntos de caracteres desde el punto de vista del programador

DESCRIPCIÓN¶

Linux es un sistema operativo internacional. Varias de sus utilidades y controladores (``drivers'') de dispositivos (incluyendo el de la consola) admiten conjuntos de caracteres multilingües, que incluyen letras del alfabeto latino con marcas diacríticas, acentos y 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 que se tratan incluyen el ASCII, ISO 8859, KOI8-R, Unicode, ISO 2022 e ISO 4873. Vamos a hacer enfásis en aquellos conjuntos de caracteres que se usan realmente como conjuntos de caracteres de localización, no en los miles de aquellos que podemos encontrar en datos procedentes de otros sistemas.

Una lista completa de los conjuntos de caracteres usados en una localización oficialmente soportada en glibc 2.2.3 es: ISO-8859-{1,2,3,5,6,7,8,9,13,15}, CP1251, UTF-8, EUC-{KR,JP,TW}, KOI8-{R,U}, GB2312, GB18030, GBK, BIG5, BIG5-HKSCS y TIS-620 (sin ningún orden particular.) (El rumano se puede cambiar al ISO-8859-16.)

ASCII¶

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

Existen varias variantes del ASCII de 7 bits que reemplazan el signo del dolar por otros símbolos monetarios y caracteres de puntuación con caracteres alfabéticos no ingleses para cubrir el alemán, frances, español y otros. No se recomienda usar ningún de ellos; la libc de GNU no soporta localizaciones cuyos conjuntos de caracteres no sean verdaderos superconjuntos del ASCII. (Estos conjuntos también se conocen como ISO-646, un pariente cercano del ASCII que permite reemplazar estos caracteres.)

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

ISO 8859¶

ISO 8859 es una serie de 15 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`` se considera tolerable.

8859-2 (Latin-2)

Latin-2 es el soporte para 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 y maltés. (El turco ahora se escribe con el conjunto 8859-9.)

8859-4 (Latin-4)

Latin-4 introdujo letras para el estonio, letón y lituano. Esencialmente está obsoleto; vea el 8859-10 (Latin-6) y 8859-13 (Latin 7).

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

Para el griego moderno.

8859-8

Para el hebreo moderno sin ``niqud'' (signos de puntuación). Los ``niqud'' y el hebreo bíblico ``oficial'' se encuentran fuera del ámbito de este conjunto de caracteres; en Linux se prefiere la codificación UTF-8 para esto

8859-9 (Latin-5)

Ésta es una variante del Latin-1 que reemplaza letras islandesas 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.

8859-11

Esto sólo existe como borrador de un estándar que se rechazó. El borrador era idéntico a TIS-620, que se usa en Linux para el tailandés.

8859-12

Este conjunto no existe. Aunque se ha sugerido su uso para el vietnamita, éste no cabe en los 96 caracteres (independientes) que ofrece el ISO 8859. En Linux se prefiere el conjunto de caracteres UTF-8 para el vietnamita.

8859-13 (Latin-7)

Para las lenguas de la Ribera del Báltico; en particular, incluye los caracteres letones que no se encuentran en Latin-4.

8859-14 (Latin-8)

Éste es el conjunto de caracteres celta, que cubre el gaélico y el galés. También contiene los caracteres punteados que necesita el irlandés antiguo.

8859-15 (Latin-9)

Éste añade el signo del Euro y las letras francesas y finlandesas que se echaban de menos en Latin-1.

8859-16 (Latin-10)

Este conjunto abarca muchos de los idiomas que cubre el 8859-2 y soporta el rumano de forma más completa que aquel.

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. KOI8-U es un conjunto de caracteres común, basado en KOI8-R, que tiene un mejor soporte para el ucraniano. A diferencia de las series ISO-8859, ninguno de estos conjuntos es compatible con el estándar ISO-2022.

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.

JIS X 0208¶

JIS X 0208 es un conjunto nacional estándar de caracteres japoneses. Aunque hay algunos conjuntos nacionales estándares más de caracteres japoneses (como JIS X 0201, JIS X 0212 y JIS X 0213), éste es el más importante. Los caracteres se proyectan en una matriz de 94x94 celdas de 2 bytes, donde cada byte se encuentra en el rango 0x21-0x7e. Dese cuenta que JIS X 0208 es un conjunto de caracteres, no una codificación. Esto significa que el propio JIS X 0208 no se usa para expresar datos de texto. JIS X 0208 se usa como un componente para construir codificaciones como EUC-JP, Shift_JIS y ISO-2022-JP. EUC-JP es la codificación más importante para Linux e incluye ASCII IS y JIS X 0208. En EUC-JP, los caracteres JIS X 0208 se expresan con 2 dos bytes, cada uno de los cuales es el código JIS X 0208 más 0x80.

KS X 1001¶

KS X 1001 es un conjunto nacional estándar de caracteres coreanos. Al igual que JIS X 0208, los caracteres se proyectan en una matriz de 94x94 celdas de 2 bytes. KS X 1001 se usa como JIS X 0208, como un componente para construir codificaciones tales como EUC-KR, Johab e ISO-2022-KR. EUC-KR es la codificación más importante para Linux e incluye ASCII US y KS X 1001. KS C 5601 es el antiguo nombre de KS X 1001.

GB 2312¶

GB 2312 es un conjunto nacional estándar de caracteres para el chino continental que se usa para expresar chino simplificado. Al igual que JIS X 0208, los caracteres se proyectan en una matriz de 94x94 celdas de dos bytes que se usa para construir la codificación EUC-CN. EUC-CN es la codificación más importante para Linux e incluye ASCII US y GB 2312. Dese cuenta que EUC-CN frecuentemente se identifica como GB, GB 2312 o CN-GB.

Big5¶

Big5 es un conjunto de caracteres popular en Taiwan para expresar chino tradicional. (Big5 es tanto un conjunto de caracteres como una codificación.) Es un superconjunto del ASCII US. Los caracteres no ASCII se expresan con dos bytes. Los bytes 0xa1-0xfe se usan como primer byte en los caracteres de dos bytes. Big5 y sus extensiones se usan ampliamente en Taiwan y Hong Kong. No cumple con el estándar ISO-2022.

TIS 620¶

TIS 620 es un conjunto nacional estándar de caracteres tailandeses y un superconjunto del ASCII US. Al igual que las series ISO 8859, los caracteres tailandeses se proyectan en el rango 0xa1-0xfe. TIS 620 es el único conjunto de caracteres comunmente usado en Linux, además de UTF-8, para tener caracteres de combinación.

UNICODE¶

Unicode (ISO 10646) es un estándar cuyo objetivo es representar inequívocamente cada carácter conocido en cada lenguaje humano. La estructura de Unicode admite 20'1 bits para codificar cada caracter. Sin embargo, ya que la mayoría de los computadores no incluyen enteros de 20'1 bits, normalmente Unicode se codifica internamente mediante enteros de 32 bits y, o bien una serie de enteros de 16 bits (UTF-16) (que necesita dos enteros de 16 bits sólo cuando se codifican ciertos caracteres poco comunes), o bien una serie de bytes de 8 bits (UTF-8). Hay información sobre Unicode en el URL <http://www.unicode.com>.

Linux representa Unicode empleando el Formato de Transformación 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 la mayoría de la gente que usa los conjuntos de caracteres ISO-8859, esto significa que los caracteres fuera de ASCII se codifican ahora con dos bytes. Esto tiende a expandir los ficheros de texto ordinarios en sólo un 1 o 2%. Para el ruso y el griegos, esto expande los ficheros de texto ordenarios en un 100%, ya que el texto en estos idiomas se encuentra en su mayor parte fuera de ASCII. Para los usuarios japoneses esto significa que los códigos de 16 bits de uso común actualmente necesitarán tres bytes. Aunque hay conversiones algorítmicas desde algunos conjuntos de caracteres (esp. ISO-8859-1) a Unicode, una conversión general requiere andar con tablas de conversión que puede ser bastante grandes para los códigos de 16 bits.

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.

Por el momento, el manejador de consola no maneja caracteres de combinación. Por lo que el tailandés, el siux y otros alfabetos que necesitan caracteres de combinación no pueden ser manejados en la consola.

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.

VÉASE TAMBIÉN¶

console(4), console_ioctl(4), console_codes(4), ascii(7), iso_8859_1(7), unicode(7), utf-8(7)