Provided by: manpages-zh_1.5.2-1_all bug

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[]一代码,[]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