Scroll to navigation

CHARSETS(7) Linux Programmer's Manual CHARSETS(7)

NAME

charsets - 程序员对字符集和国际化的观点

描述

Linux 是一个国际性的操作系统。它的各种各样实用程序和设 备驱动程序 (包括控制台驱动程序 ) 支持多种语言的字符集, 包括带有附加符号的拉丁字母表字符,重音符,连字(字母结合), 和全部非拉丁文字母表(包括希腊语,古代斯拉夫语,阿拉伯语, 和希伯来语。 )

这份手册以程序员的眼光去看待不同的字符集标准,以及它们是如何 在 Linux 中调和在一起的。讨论的标准包括 ASCII,ISO 8859,KOI8-R , Unicode,ISO 2022 和 ISO 4873 。

ASCII

ASCII (,美国国家信息交换(用)标准(代)码) 是最初的 7-bit字符集, 原先是为美式英语设计的。当前它被 ECMA-6 标准所描述。

在英国使用一种 ASCII的变体(这变体是:用英国磅值的符号代替美国的 crosshatch/octothorpe/hash 的磅值符号);当需要时, 美国的(符号)和英国的变体(符号)可以用"US ASCII"和"UK ASCII" 作为区别。

因为 Linux 是为美国设计的硬件写的, 它生来就支持 US ASCII 。

ISO 8859

ISO 8859 是一系列 10 8-bit 字符集,它包含美国 ASCII 的低位 (7 -bit ), 128 ~159 范围内的不可见控制字符,和 96 个定宽图形(字符)在 160-255 里。 。LP 这些字符集中,最重要是 ISO 8859-1 ( Latin-1 )。 它生来就被 Linux 控制台驱动程序支持, X11R6 的支持得也很好,并且是 HTML 的基础字符集。

Linux 下控制台也支持其他的 8859 字符集 ,通过用户模式实用程序( 例如 setfont(8)) 来修改键盘绑定和 EGA 图形表格, 以及进行控制台驱动程序里的字体表格中的“ user mapping(用户影射)”。

下面是每个集合简短的描述:

8859-1 (Latin-1)
Latin-1 覆盖大多数的西欧语言,比如阿尔巴尼亚, 加泰罗尼亚语, 丹麦, 荷兰,英语,法罗群岛,芬兰,法语,德语,加利西亚,爱尔兰,冰岛, 意大利,挪威,葡萄牙,西班牙和瑞典。缺少荷兰的 ij连字(i与j合字) , 法国的 oe(o与e合字)和旧风格的',,' 而德语中``(这样的)引号是可以的。
8859-2 (Latin-2)
Latin-2 支持大多数的拉丁文书写的斯拉夫语和中欧的语言: 克罗地亚 , 捷克语, 德语, 匈牙利, 波兰,罗马尼亚,斯洛伐克, 和斯洛文尼亚。
8859-3 (Latin-3)
Latin-3 是世界语,加里西亚 , 马耳他人, 和土耳其语作者受欢迎的(语言)。
8859-4 (Latin-4)
Latin-4 介绍了爱沙尼亚语,拉托维亚,和立陶宛的字符 。它是实质上过时的; 参见 8859-10 (Latin-6 ) 。
8859-5
古代斯拉夫语字母支持保加利亚语, 白俄罗斯语,马其顿语, 俄语, 塞尔维亚语和乌克兰语。 乌克兰人读带有下挑笔的`geh'为`heh',和(当)需要用带有上挑笔的 ghe 写正确的ghe.参见下面的(关于)KOI8-R 的讨论。 (译注:这些外国人书写习惯我们也不怎么需要理解吧,希望上面的解释不要 把人搞糊涂了)
8859-6
支持阿拉伯语。 8859-6 字型表是分离字符格式的一种固定的字体,但是一个合适 的显示引擎应该联合这些来使用合适的词首,中间字母,和最后表格式。
8859-7
支持现代的希腊语。
8859-8
支持希伯来语。
8859-9 (Latin-5)
这是Latin-1 的一种变体,它用土耳其语的一些(字符)代替很少用的冰岛语。
8859-10 (Latin-6)
Latin 6 增加末因纽特(译:对于last Inuit 我不知道是否是对的) (格陵兰语) 和 Sami ( 拉普兰语 ) ,这些是 Lattin 4 中缺少的,来覆盖整个北欧地区(的字符集)。 RFC 1345 列出了初步的和不同的“ latin 6 "。 Skolt Sami 仍然比这些需要更多的 重音符号。

8859-13 (Latin-7)
8859-14 (Latin-8)
8859-15
增加了欧洲符号和法国连字,它们是 Latin-1 里缺漏的。

KOI8-R

KOI8-R 是在俄国流行的一个非 ISO 字符集。下半部分是 US ASCII; 上部是比 ISO 8859-5 设计的更好的古斯拉夫字符集。

控制台为了支持 KOI8-R 字符集,在 Linux 下, 可以利用用户模式实用程序修改键盘绑定和 EGA 图形表格, 以及在控制台的驱动程序中使用字体表“user mapping(用户映射)”。

UNICODE(统[单]一代码,宽[双]字节字符集)

Unicode( ISO 10646 ) 是一个标准,它的目标是明白地表现 在每种人类语言中的每种已知字符。Unicode 的编码是 32 位的 ( 旧些的版本使用了 16 位 ) 。在 Unicode 的一些信息可以在<http://www.unicode.com>获得。

Linux 使用8位的 Unicode 转移格式 (UTF-8 ) 表示 Unicode 。 UTF-8 是可变长的 Unicode 编码。使用1个字节给 7 bit 编码,使用2个字节给 11 bit 编码, 使用3个字节给 16 bit 编码,使用4个字节给 21 bit 编码,使用5个字节给 26 bit 编码,使用6个字节给 31 bit 编码

让 0,1 , x 代表零,一,或任意的位。字节0xxxxxxx 代表Unicode 00000000 0xxxxxxx, 这个符号和 ASCII 0xxxxxxx 编码的符号是一样。 这样, ASCII 没有改为 UTF-8,并且只用 ASCII 的人不会注意到任何变化: 不在代码,并且不在文件大小。

字节 110xxxxx 是一个2 字节代码的开始, 110xxxxx 10yyyyyy 组装成 00000xxx xxyyyyyy 。 字节 1110xxxx 是一个 3 字节代码的开始, 1110xxxx 10yyyyyy 10zzzzzz 被组装成 xxxxyyyy yyzzzzzz。 (如果 UTF-8 使用 31-bit ISO 10646 编码,那么这个级数就会延伸 到 6 字节编码)

对于 ISO-8859-1 的用户而言,这意味着带高位的字符编码成两个字节。 这会令普通的文本文件增大1到2个百分点。不过没有变换问题, 因为 Unicode ISO-8859-1 符号的值等于他们的 ISO-8859-1 值 (用 8 个前导零做前缀) 。对于日语的用户,这意味着原来常用的 16 位编码将 占 3 个字节,并且还要求有扩展的映射表。许多日本人因此比较喜欢 ISO 2022 。

注意 UTF-8 是自我同步的: 10xxxxxx 是一条尾巴, 任何其它 的字节是编码的头。ASCII 字节出现在 UTF-8 流中唯一的可能是 作为自己出现。特别是, 不会有 NULs 或 " /'s 嵌入在那些比较大的编码中。

因为编码中的 ASCII,特别是, NUL 和'/', 没有变化, 所以内核不会注意到 在使用 UTF-8。它根本不在乎它正在处理的那字节代表什么东西。

Unicode 数据流的呈现通常是通过" subfont "表来操作,这个表是 Unicode 的一个子集到字符表格的映射。内核内部使用 Unicode 描述装载入显示内存的 subfont。这意味着在 UTF-8 中的一个模式 能使用 512 个不同的符号。这对于日语,汉语和朝鲜语来说是不够的, 但是它满足了大多数其它用途。

ISO 2022 AND ISO 4873

ISO 2022 和 4873 标准描述了一个基于 VT100 实现的字体控制模型. Linux 内核和 xterm (1) ( 部分 ) 支持这个模型。 它在日本和韩国很流行。

它有 4 个图形的字符集,称为 G0 , G1 , G2 和 G3 ,并且 其中之一是当前的高位为0 的编码的字符集(最初 G0 ),而他们之 一是当前的高位为1的编码的字符集(最初 G1 )。每种图形的字符集有 94 或 96 个字符 ,并且是实际上是一个 7-bit字符集。 它使用 040-0177 ( 041-0176 ) 或 0240-0377 ( 0241-0376 )编码 中的一个。G0 大小总是为 94,并且使用 041-0176 之间的编码。

字符之间切换用转换(shift functions)功能 ^N (SO 或 LS1), ^O (SI 或 LS0), ESC n (LS2), ESC o (LS3), ESC N (SS2), ESC O (SS3), ESC ~ (LS1R), ESC } (LS2R), ESC | (LS3R). LSn 把字符集Gn标记为当前字符集,用于高位为0的编码。 LSnR 把字符集 Gn标记为当前字符集,用于高位为1的编码。 SSn 把字符集Gn (n=2 or 3) 标记为当前字符集, 只用于下一个字符( 不管它的高位的值是什么)

94 字符的集合用做 Gn 字符集是用一个逃逸序列 ESC ( xx (用于 G0),ESC ) xx (用于 G1), ESC * xx (用于 G2),ESC + xx (用于 G3),等代表的.这里的 xx 是一个符号 或者是在 ISO 2375 国际注册编码字符集中的一对符号。 例如,ESC ( @ 选用 ISO 646 字符集作为GO, ESC ( A 选用 UK 标准字符集(用磅代替数字记号), ESC ( B 选择 ASCII ( 用美元代替流通货币), ESC ( M 为非洲语言选择一个字符集, ESC ( ! A 选择古巴字符集, 等等. 等等.

94 字符的集合用做 Gn 字符集是用一个逃逸序列 ESC - xx (对于 G1), ESC . xx (对于 G2) 或 ESC / xx (对于 G3)等表示. 例如, ESC - G 选择希伯莱字母表作为 G1.

多字节的字符集用做 Gn 字符集是用一个逃逸序列 ESC $ xx 或者 ESC $ ( xx (对于 G0), ESC $ ) xx (对于 G1),ESC $ * xx (对于 G2),ESC $ + xx (对于 G3)等来表示. 例如, ESC $ ( C 为 G0选择韩国字符集. 日本字符集合由 ESC $ B选择 更多临近的版本由ESC & @ ESC $ B选择.

ISO 4873 规定了一个范围比较窄的使用字符集,它的 G0是固定的 (总是 ASCII), 所以 G1, G2 和 G3只能被调用于高次序位编码集。 尤其是,不再使用 ^N 和 ^O,ESC ( xx 仅用于 xx=B, 和 ESC ) xx, ESC * xx, ESC + xx 分别等价于 ESC - xx, ESC . xx, ESC / xx.

参考

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

[中文版维护人]

Scorpio <rawk@chinese.com>

[中文版最新更新]

2000/10/23

《中国linux论坛man手册页翻译计划》:

http://cmpp.linuxforum.net

November 5th, 1996 Linux