Provided by:
manpages-pt_20040726-4_all 
NOME
charsets - Conjuntos de caracteres e internacionalização do ponto de
vista do programador
DESCRIÇÃO
O linux é um sistema operacional internacional. Vários de seus
utilitários e drivers (inclusive o driver do console) suportam vários
conjuntos de caracteres, inclusive acentos, ligaduras e marcações
diacríticas; além de outros alfabetos, inclusive o grego, cirílico,
árabe e hebraico.
Esta página dá uma visão orientada ao programador das diferentes normas
de conjuntos de caracteres, explicando como elas se encaixam no linux.
Os padrões abordados incluem ASCII, ISO 8859, KOI8-R, Unicode, ISO 2022
e ISO 4873.
ASCII
ASCII (American Standard Code For Information Interchange) é um
conjunto de caracteres de 7 bits originalmente criado para o inglês
americano. Atualmente é descrito pela norma ECMA-6.
Há uma variante do ASCII que substitui o símbolo americano para a libra
com o símbolo britânico da libra esterlina. Este ASCII é usado na
Grã-Bretanha, e é chamado "UK ASCII", sendo o americano designado "US
ASCII".
Como o linux foi escrito para hardware americano, ele normalmente
suporta o ASCII americano
ISO 8859
ISO 8859 é um conjunto de 10 conjuntos de caracteres de 8 bits que
começam com o ASCII americano (primeiros 128 caracteres), que são
seguidos de caracteres de controle invisíveis (posições 128 a 159) e 96
gráficos de largura fixa nas posições de 160 a 255.
Destes, o mais importante é o ISO 8859-1 (Latin-1), que é suportado
pelo driver do console linux, razoavelmente bem suportado pelo X11R6 e
é o conjunto base do HTML.
O suporte aos outros conjuntos do 8859 pelo console pode ser ativado
por utilitários como setfont(8) que modificam as ações do teclado e a
tabela de gráficos EGA e usam a a tabela e fontes mapeada pelo usuário
no controlador do console.
Seguem descrições breves de cada conjunto:
8859-1 (Latin-1)
Latin-1 serve para a maioria das linguas européias ocidentais
como o albanês, catalão, dinamarquês, holandês, inglês,
finlandês, francês, alemão, galício, irlandês, islandês,
italiano, noruegu6es, português, espanhol e sueco. A falta de
ligaduras ij (holandês), oe (francês) e das aspas ,, e ‘‘ do
alemão é tolerável.
8859-2 (Latin-2)
Latin-2 serve para a maiora das linguas eslavas e centro-
européias de escrita latina, tais como: croata, tcheco, alemão,
húngaro, polonês, romeno, eslovaco e esloveno.
8859-3 (Latin-3)
Latin-3 é muito utilizado por quem escreve em esperanto,
galício, maltês e turco.
8859-4 (Latin-4)
Latin-4 contém letras para o estoniano, látvio e lituano. Está
basicamente obsoleto, veja 8859-10 Latin-6.
8859-5 Cirílico. Suporta búlgaro, bielorusso, macedônio, russo, sérvio
e ucraninano. Os ucranianos lêem a letra ’ghe’ ’heh’, e
precisariam de um ghe acentuado para escrever esta letra
corretamente. Veja a discussão sobre o KOI8-R abaixo.
8859-6 Suporta árabe. A tabela de glifos do 8859-6 é uma fonte fixa com
formas separadas. Para exibi-las, um driver tem que conbiná-las
usando as formas iniciais, média e final.
8859-7 Suporta o grego moderno.
8859-8 Suprota hebraico.
8859-9 (Latin-5)
Uma variante do Latin-1 que substitui letras islandesas
raramente usadas por letras turcas.
8859-10 (Latin-6)
Latin 6 contém as letras inuit (Groelandesas) e sami (lapônicas)
ausantes do latin-4 de modo a abranger toda a área nórdica. O
RFC 1345 contém um ’latin6’ preliminar que é diferente. O sami
skolt requer alguns acentos que estão ausentes nesta versão.
8859-13 (Latin-7)
8859-14 (Latin-8)
8859-15
Acrescenta o sinal de euro e as ligaduras francesas que estão
ausentes no Latin-1.
KOI8-R
KOI8-R é um conjunto de caracteres não ISO muito usado na Rússia. A
metade inferior é ASCII americano, e a superior é um conjunto de
caracteres cirílicos um pouco melhor projetado que o do ISO 8859-5.
O suporte a KOI8-R pelo console é acionado por utilitários que
modificam o mapeamento do teclado e a tabela de gráficos EGA,
utilizando a tabela de mapeamento pelo usuário no driver do console.
UNICODE
Unicode (ISO 106460 é uma norma que visa representar sem ambigüidade
todos os símbolos usados em linguagens humanas. A encodificação é em 32
bits (as versões mais antigas usam 16 bits). Mais informações sobre o
Unicode em <http://www.unicode.com>.
O linux representa o unicode com o Unicode transfer Format (UTF-8) de 8
bits. UTF-8 representa o Unicode com comprimento variável, usando 1
byte para 7 bits, 2 para 11 bits, 3 para 16 bits, 4 para 21 bits, 5
para 26 bits e 6 para 31 bits.
Sejam 0,1,x um zero, um, ou bit arbitrário. Um byte 0xxxxxxx representa
o caracter unicode 00000000 0xxxxxxx, que por sua vez codifica o mesmo
que 0xxxxxxx em ASCII. Assim, o ASCII não é modificado pelo UTF-8, e as
pessoas que usem apenas ASCII não notarão nenhuma diferença: nem no
código nem no tamanho do arquivo. LP Um byte 110xxxxx inicia um código
de 2 bytes, e a seqüência 110xxxxx 10yyyyyy é traduzida para 00000xxx
xxyyyyyy. Um byte 1110xxxx inicia um código de 3 bytes, e 1110xxxx
10yyyyyy 10zzzzzz é traduzida para xxxxyyyy yyzzzzzz. Quando se usa
UTF-8 para o ISO 10646 de 31 bits, esta progressão continua até códigos
de 6 bytes.
Para os usuários de ISO-8859-1 isto significa que os caracteres com o
bit mais significativo presente passam a ser codificados com dois
bytes. Isto tende a aumentar o tamanho de arquivos de texto em um ou
dois porcento. Não há problemas de conversão, no entanto, porque os
valores unicode dos símbolos ISO-8859-1 são iguais aos valores
originais no ISO 8859-1 (seguidos por oito bits zero). Para os usuários
japoneses, isto significa que os códigos de 16 bits atualmente usados
passam a necessitar de 3 bytes, e são necessárias extensas tabelas de
mapeamento. Muitos usuários japoneses preferem o ISO 2022 por isso.
Observe que o UTF-8 é auto-sincronizante: 10xxxxxx inicia, e todo o
resto do byte termina um código. Observe ainda que bytes ASCII aparecem
em um fluxo UTF-8 representados unicamente do modo como eles aparecem.
É especialmente importante que os NULs e ’/’ não são modificados.
Como o ASCII,o NUL e o ’/’ não são modificados, o kernel não percebe
que o UTF-8 está sendo usado. Ele não se importa com quais são os
significados dos bytes com que ele está lidando.
A tradução de streams unicode é normalmente feita por tabelas
’subfont’, que associam subconjuntos do unicode a glifos. Internamente,
o kernel usa unicode para descrever a subfonte carregada na RAM de
vídeo. Isto significa que se pode usar um conjunto de caracteres com
512 símbolos no modo UTF-8. Isto não é suficiente para japonês, chinês
ou coreano, mas serve para a maioria das outras aplicações.
ISO 2022 AND ISO 4873
As normas ISO 2022 e 4873 descrevem um modelo de controle de fonte
baseado no VT100. Este modelo é parcialmente suportado pelo kernel e
pelo xterm(1). É popular no Japão e na Coréia.
Há quatro conjuntos de caracteres gráficos (G0, G1, G2 e G3), um dos
quais é o conjunto atual de caracteres para códigos com o bit mais
significativo ausente (inicialmente é o G0), e um deles é o conjunto
inicial para códigos com este bit presente (inicialmente o G1). Cada
conjunto gráfico tem 94 ou 96 caracteres, e é essencialmente um
conjunto de 7 bits. Eles utilizam os códigos de 040 a 0177 (ou 041 a
0176) ou de 0240 a 0377 (ou de 0241 a 0376). G0 sempre tem 94 de
tamanho e usa os códigos de 041 a 0176.
A mudança entre os conjuntos de caracteres é feita com as funções de
permuta ^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). A função
LSn aciona o conjunto de caracteres Gn para códigos com o bit mais
significativo ausente. A função LSnR aciona o conjunto de caracteres
Gn para códigos com o bit mais significativo presente. A função SSn
aciona o conjunto de caracteres Gn (n=2 ou 3) para o próximo caracter
independente do valor de seu bit mais significativo.
Os conjuntos de caracteres de 94 itens - designado Gn - podem ser
ativados pelas seqüências ’ESC ( xx’ (G0); ’ESC ) xx’ (G1), ’ESC * xx’
(G2) e ’ESC + xx’ (G3); onde xx é um código definido pela norma ISO
2375 (conjunto internacional de conjuntos de caracteres codificados).
Por exemplo, ESC ( @ seleciona o conjunto ISO 646 como G0, ESC ( A
seleciona o conjunto britânico de caracteres (com o símbolo da libra ao
invés do número), ESC ( B seleciona ASCII (com o dólar no lugar do
símbolo de moeda), ESC ( M seleciona um conjunto de caracteres para
linguagens africanas, ESC ( ! seleciona um conjunto de caracteres
cubano, etc, etc.
Um conjunto de caracteres de 96 itens - designado Gn - é ativável pela
seqüência ESC - xx (G1), ESC . xx (G2) ou ESC / xx (G3). Por exemplo,
ESC - G seleciona o alfabeto hebraico como G1.
Um conjunto de caracteres com múltiplos bytes - designado Gn - é
acionado com as seqüências ’ESC $ xx’ ou ’ESC $ ( xx’ (G0), ESC $ ( C
coloca o conjunto de caracteres coreano em G0. O conjunto japonês
invocado por ESC $ B tem uma versão mais recente selecionável por ’ESC
& @ ESC $ B’.
ISO 4873 define um conjunto de caracteres mais estreitos, no qual G0 é
fixo (sempre ASCII), do modo que G1, G2 e G3 só podem ser invocados por
códigos com o bit mais significativo presente. Especificamente, ^N e
^O não são mais usados, ESC ( xx pode ser usado apenas com xx=B; e ESC
) xx, ESC * xx e ESC + xx equivalem a ESC - xx, ESC . xx e ESC / xx
respectivamente.
VEJA TAMBÉM
console(4), console_ioctl(4), console_codes(4), ascii(7),
iso_8859_1(7), unicode(7), utf-8(7)
TRADUZIDO POR LDP-BR em 21/08/2000.
Paulo César Mendes <drps@ism.com.br> (tradução) André L. Fassone Canova
<lonelywolf@blv.com.br> (revisão)