Provided by:
manpages-it_2.80-3_all 
NOME
charsets - visione del programmatore degli insiemi di caratteri e
dell'internazionalizzazione
DESCRIZIONE
Linux è un sistema operativo internazionale. Molte delle sue utilità e
driver dei dispositivi (incluso il driver della console) supportano
insiemi di caratteri multilingue, incluse le lettere dell'alfabeto
latino con segni diacritici, accenti, logotipi e interi alfabeti non
latini compresi quello greco, cirillico, arabo ed ebraico.
Questa pagina di manuale presenta il punto di vista di un programmatore
sui diversi standard per gli insiemi di caratteri e su come
interagiscono in Linux. Gli standard discussi includono ASCII, ISO
8859, KOI8-R, Unicode, ISO 2022 e ISO 4873. Verrà data maggiore
importanza agli insiemi di caratteri effettivamente usati come insiemi
di caratteri di localizzazione, non sulla miriade di altri insiemi
presenti nei dati in altri sistemi.
L'elenco completo di insiemi di caratteri usati da glibc 2.2.3 in una
localizzazione supportata ufficialmente è:
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 and TIS-620 (in
nessun ordine particolare). (Il rumeno potrebbe passare a
ISO-8859-16).
ASCII
ASCII (American Standard Code For Information Interchange) è l'insieme
di caratteri originale a 7 bit, creato in origine per l'inglese
americano. Viene ora descritto dallo standard ECMA-6.
Esistono alcune varianti ASCII che sostituiscono il simbolo del dollaro
con i simboli di altre valute, e la punteggiatura con caratteri
alfabetici non inglesi per includere altri caratteri a 7 bit tedeschi,
francesi, spagnoli ed altri. Sono tutte deprecate, in quanto glibc non
supporta localizzazioni in cui insiemi di caratteri non siano veri
insiemi di ASCII (questi insiemi sono noti come ISO-646, un parente
prossimo di ASCII che permette la sostituzione di questi caratteri).
Essendo Linux stato scritto per hardware progettato negli USA, supporta
ASCII nativamente.
ISO 8859
ISO 8859 è una serie di 15 insiemi di caratteri a 8 bit che contengono
US ASCII nella metà bassa (quella a 7 bit), caratteri invisibili di
controllo nelle posizioni da 128 a 159 e 96 grafici a larghezza fissa
nelle posizioni da 160 a 255.
Di questi, il più importante è ISO 8859-1 (Latin-1). È supportato
nativamente dal driver di console di Linux, abbastanza bene da X11R6,
ed è l'insieme base di caratteri di HTML.
Il supporto di console per gli altri insiemi di carattere 8859 è
disponibile in Linux grazie a utilità in modo utente (come setfont(8))
che modificano le associazioni di tastiera e la tabella grafica EGA, e
impiegano una "mappa utente" per la tabella di caratteri nel driver di
console.
Ecco una breve descrizione di ciascun insieme:
8859-1 (Latin-1)
Latin-1 copre la maggior parte delle lingue europee occidentali,
come albanese, catalano, danese, olandese, inglese, lingua delle
isole Faroer, finlandese, francese, tedesco, galiziano,
irlandese, islandese, italiano, norvegese, portoghese, spagnolo
e svedese. La mancanza dei logotipi ij (olandese), oe
(francese) e virgolette "vecchio stile" (tedesco) è tollerabile.
8859-2 (Latin-2)
Latin-2 supporta molte lingue slave e centro-europee a caratteri
latini: ceco, croato, polacco, rumeno, slovacco, sloveno,
tedesco e ungherese.
8859-3 (Latin-3)
Latin-3 è popolare tra gli autori di esperanto, galiziano e
maltese (il turco invece ora si scrive con 8859-9).
8859-4 (Latin-4)
Latin-4 introduce lettere per estone, lettone e lituano. È
essenzialmente obsoleto; vedere 8859-10 (Latin-6) e 8859-13
(Latin-7).
8859-5 Lettere cirilliche per bulgaro, bellorusso, macedone, russo,
serbo e ucraino. Gli ucraini leggono la lettera `ghe' con
trattino in basso come `heh' e avrebbero bisogno di una ghe con
trattino in alto per scrivere la ghe corretta. Vedere più sotto
la discussione su KOI8-R.
8859-6 Supporta l'arabico. La tabella di glifi 8859-6 contiene un
insieme di caratteri fissi con lettere distinte, ma un
appropriato motore di visualizzazione dovrebbe combinarli usando
le corrette forme iniziali, mediane e finali.
8859-7 Supporta il greco moderno.
8859-8 Supporta l'ebraico moderno senza niqud (segni di punteggiatura).
Niqud e lo sviluppo completo dell'ebraico della Bibbia vanno al
di là degli scopi di questo insieme di caratteri: in Linux, la
codifica favorita per questi caratteri è UTF-8.
8859-9 (Latin-5)
Questa è una variante di Latin-1 che sostituisce le lettere
islandesi con quelle turche.
8859-10 (Latin-6)
Latin 6 aggiunge le ultime lettere inuit (groenlandese) e sami
(lappone) mancanti in Latin-4, così da coprire l'intera area
nordica. RFC 1345 elencava una versione preliminare, e
differente, di `latin6'. Il sami skolt ha ancora bisogno di
alcuni ulteriori accenti.
8859-11
Esiste solo come bozza standard rifiutata. La bozza era
identica a TIS-620, che veniva usato sotto Linux per il Thai.
8859-12
Questo insieme non esiste. Qualcuno ha suggerito il vietnamita
per questo spazio, ma esso non rientra nei 96 caratteri ISO (non
combinati) offerti da 8859. L'insieme di caratteri preferito
usato sotto Linux per il vietnamita è UTF-8.
8859-13 (Latin-7)
Supporta il linguaggio baltico Rim: in particolare, include i
caratteri lettoni non inseriti in Latin-4.
8859-14 (Latin-8)
Insieme di caratteri celtico, che comprende gaelico e gallese.
Contiene anche i caratteri punteggiati usati nel vecchio
irlandese.
8859-15
Aggiunge il segno dell'Euro e alcune lettere francesi e
finlandesi assenti in Latin-1.
8859-16 (Latin-10)
Questo insieme comprende molte lingue inserite in 8859-2, e
supporta il rumeno in modo più completo.
KOI8-R
KOI8-R è un insieme di caratteri non ISO molto diffuso in Russia. La
metà bassa è US ASCII; la metà alta contiene un insieme di caratteri
cirillici, concepito vagamente meglio di quello di ISO 8859-5. KOI8-U
è un comune insieme di caratteri basato su KOI8-R, che contiene un
miglior supporto per l'ucraino. Nessuno di questi insiemi è
compatibile con ISO-2022, diversamente dalla serie ISO-8859.
Il supporto di console per KOI8-R è disponibile in Linux grazie a
utilità in modo utente che modificano le associazioni di tastiera e la
tabella grafica EGA, e impiegano una "mappa utente" per la tabella di
caratteri nel driver di console.
JIS X 0208
JIS X 0208 è un insieme nazionale di caratteri standard giapponesi.
Anche se ci sono alcuni altri insiemi di caratteri standard in Giappone
(come JIS X 0201, JIS X 0212 e JIS X 0213), questo è il più importante.
I caratteri vengono mappati in una matrice 94x94 a due byte, e ogni
byte è compreso nell'intervallo 0x21-0x7e. Si noti che JIS X 0208 è un
insieme di caratteri, non una codifica: questo significa che JIS X 0208
non può essere usato per indicare dati di testo. Si usa come
componente per costruire codifiche come EUC-JP, Shift_JIS e
ISO-2022.JP. EUC-JP è la codifica più importante sotto Linux, e
include US ASCII e JIS X 0208. In questa codifica i caratteri JIS X
0208 vengono espressi in due byte, ognuno dei quali è il codice JIS X
0208 più 0x80.
KS X 1001
KS X 1001 è un insieme nazionale di caratteri standard coreani.
Proprio come JIS X 0208, i caratteri vengono mappati in una matrice
94x94 a due byte. KS X 1001 si usa come JIS X 0208, come componente
per costruire codifiche come EUC-KR, Johab e ISO-2022-KR. EUC-KR è la
codifica più importante sotto Linux, e include US ASCII E KS X 1001.
KS C 5601 è il vecchio nome di KS X 1001.
GB 2312
GB 2312 è un insieme nazionale di caratteri standard cinesi di
terraferma usato per esprimere il cinese semplificato. Proprio come
JIS X 0208, i caratteri vengono mappati in una matrice 94x94 a due byte
usata per costruire EUC-CN: essa è la codifica più importante sotto
Linux e include US ASCII E GB 2312. Si noti che EUC-CN spesso è
chiamato GB, GB 2312 o CN-GB.
Big5
Big5 è un insieme di caratteri popolare in Taiwan che esprime il cinese
tradizionale. (Big5 è sia un insieme di caratteri che una codifica).
È un superset di US ASCII. I caratteri non ASCII vengono espressi in
due byte. I byte 0xa1-0xfe vengono usati come byte iniziali per i
caratteri a due byte. Big5 e la sua estensione sono largamente usati a
Taiwan e Hong Kong. Non è conforme a ISO 2022.
TIS 620
TIS 620 è un insieme nazionale di caratteri standard tailandesi, ed è
un superset di US ASCII. Come le serie ISO 8859, i caratteri Thai sono
mappati in 0xa1-0xfe. TIS 620 è l'unico insieme di caratteri
comunemente usato sotto Linux oltre a UTF-8 per ottenere combinazioni
di caratteri.
UNICODE
Unicode (ISO 10646) è uno standard il cui scopo è rappresentare senza
ambiguità ogni carattere di ogni lingua umana. La struttura di Unicode
permette 20.1 bit per codificare qualunque carattere. Dato che molti
computer non includono interi a 20.1 bit, Unicode solitamente è
internamente codificato con interi a 32 bit e con una serie di interi a
16 bit (UTF-16, che ha bisogno di due interi a 16 bit solo quando
codifica alcuni rari caratteri) o con una serie di byte a 8 bit
(UTF-8). Informazioni su Unicode sono disponibili a
<http://www.unicode.org>.
Linux rappresenta Unicode tramite il "Formato di trasferimento Unicode"
(Unicode Transfer Format) a 8 bit (UTF-8). UTF-8 è una codifica di
Unicode a lunghezza variabile. Utilizza 1 byte per codificare 7 bit, 2
byte per 11 bit, 3 byte per 16 bit, 4 byte per 21 bit, 5 byte per 26
bit e 6 byte per 31 bit.
Poniamo che 0,1,x sia uno zero, uno o un bit arbitrario. Un byte
0xxxxxxx rappresenta l'Unicode 00000000 0xxxxxxx, che codifica lo
stesso simbolo dell'ASCII 0xxxxxxx. Perciò, ASCII rimane invariato in
UTF-8 e coloro che usano solo ASCII non notano nessuna differenza: né
nel codice, né nella dimensione del file.
Un byte 110xxxxx è l'inizio di una codifica a due byte, dove 110xxxxx
10yyyyyy sta per 00000xxx xxyyyyyy. Un byte 1110xxxx è l'inizio di una
codifica a tre byte, dove 1110xxxx 10yyyyyy 10zzzzzz sta per xxxxyyyy
yyzzzzzz. (Se si usa UTF-8 per codificare l'ISO 10646 a 31 bit, la
progressione continua fino alle codifiche a 6 byte.)
Per gli utilizzatori degli insiemi di caratteri ISO-8859, questo
significa che i caratteri al di fuori dell'ASCII sono ora codificati
con due byte. Ciò tende ad espandere un file ordinario di testo
dell'uno o due per cento. Per utilizzatori russi o greci, espande file
ordinari di testo del 100%, dato che il testo in queste lingue è quasi
tutto al di fuori dell'ASCII. Per gli utilizzatori giapponesi
significa che la codifica a 16 bit oggi comunemente usata userà tre
byte. Anche se ci sono algoritmi di conversione da alcuni insiemi di
caratteri (specialmente ISO-8859-1) a Unicode, conversioni generali
richiedono l'uso di tabelle di conversione, che possono essere
piuttosto grandi per codifiche a 16 bit.
Si noti che UTF-8 è autosincronizzante: 10xxxxxx è una coda, e
qualsiasi altro byte è la testa di un codice. Si noti anche che
l'unico modo in cui un byte ASCII può comparire in una sequenza UTF-8 è
come se stesso. In particolare, non ci sono byte NULL ('\0') inseriti
o '/' che formano una parte di un codice più lungo.
Poiché ASCII e, in particolare, NUL e '/' sono invariati, il kernel non
si rende conto dell'utilizzo di UTF-8. Non gli interessa il
significato dei byte di cui si occupa.
Le sequenze di dati Unicode sono solitamente rese attraverso tabelle
che associano sottoinsiemi di Unicode a glifi. Internamente, il kernel
usa Unicode per descrivere il sottoinsieme di caratteri caricato nella
RAM video. Ciò significa che in modo UTF-8 si può usare un insieme di
caratteri con soli 512 simboli diversi. Questo non è sufficiente per
giapponese, cinese e coreano, ma basta per la maggior parte degli altri
utilizzi.
Attualmente il driver di console non si occupa delle combinazioni di
caratteri. Dunque il tailandese, il sioux e qualunque altro script che
abbia bisogno di combinazioni di caratteri non può essere gestito dalla
console.
ISO 2022 e ISO 4873
Gli standard ISO 2022 e 4873 descrivono un modello di controllo dei
caratteri basato sugli usi di VT100. Questo modello è (parzialmente)
supportato dal kernel di Linux e da xterm(1). È popolare in Giappone e
Corea.
Ci sono quattro insiemi di caratteri grafici, chiamati G0, G1, G2 e G3:
uno di loro è l'insieme di caratteri attuale per i codici con bit più
alto zero (all'inizio G0), e uno di loro è l'insieme attuale per i
codici con bit più alto uno (all'inizio G1). Ciascun insieme di
caratteri grafici ha 94 o 96 caratteri ed è essenzialmente un insieme a
sette bit. Usa i codici 040-0177 (041-0176) oppure 0240-0377
(0241-0376). G0 ha sempre 94 elementi e usa i codici 041-0176.
Si passa da un insieme all'altro attraverso le funzioni di cambiamento
^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 funzione LSn
fa sì che l'insieme Gn sia quello attuale per codici con bit più alto
zero. La funzione LSnR fa sì che l'insieme Gn sia quello attuale per
codici con bit più alto uno. La funzione SSn fa sì che l'insieme Gn
(n=2 o 3) sia quello attuale per il solo carattere successivo
(qualsiasi sia il valore del suo bit più alto).
Un insieme da 94 caratteri viene denotato come insieme Gn da una
sequenza di escape ESC ( xx (per G0), ESC ) xx (per G1), ESC * xx (per
G2), ESC + xx (per G3), dove xx è un simbolo o una coppia di simboli
trovati in ISO 2375 International Register of Coded Character Sets.
Per esempio, ESC ( @ seleziona l'insieme di caratteri ISO 646 come G0,
ESC ( A seleziona l'insieme standard inglese (con la sterlina al posto
del cancelletto), ESC ( B seleziona l'ASCII (col dollaro al posto del
simbolo monetario), ESC ( M seleziona un insieme di caratteri per le
lingue africane, ESC ( ! A seleziona l'insieme cubano, ecc. ecc.
Un insieme da 96 caratteri viene denotato come l'insieme Gn da una
sequenza di escape ESC - xx (per G1), ESC . xx (per G2), o ESC / xx
(per G3). Per esempio, ESC - G seleziona l'alfabeto ebraico come G1.
Un insieme multibyte viene denotato come insieme Gn da una sequenza di
escape ESC $ xx o ESC $ ( xx (per G0), ESC $ ) xx (per G1), ESC $ * xx
(per G2), ESC $ + xx (per G3). Per esempio, ESC $ ( C seleziona
l'insieme di caratteri coreano come G0. L'insieme giapponese
selezionato da ESC $ B ha una versione più recente selezionata da ESC &
@ ESC $ B.
ISO 4873 stabilisce un uso più restrittivo degli insiemi, in cui G0 è
fisso (sempre ASCII), facendo sì che G1, G2 e G3 possano essere
invocati solo per codici in cui il bit più alto è impostato. In
particolare, ^N e ^O non vengono più usati, ESC ( xx può essere usato
solo con xx=B, e ESC ) xx, ESC * xx, ESC + xx sono equivalenti,
rispettivamente, a ESC - xx, ESC . xx, ESC / xx.
VEDERE ANCHE
console(4), console_codes(4), console_ioctl(4), ascii(7),
iso_8859_1(7), unicode(7), utf-8(7)
COLOPHON
Questa pagina fa parte del rilascio 2.80 del progetto man-pages di
Linux. Si può trovare una descrizione del progetto, e informazioni su
come riportare bachi, presso http://www.kernel.org/doc/man-pages/. Per
la traduzione in italiano si può fare riferimento a
http://www.pluto.it/ildp/collaborare/