NOME

       Unicode - l'insieme universale di caratteri

DESCRIZIONE

       Lo  standard  internazionale  ISO  10646  definisce  l'  Insieme  universale  di caratteri
       (Universal Character Set).  UCS contiene tutti i caratteri di tutti gli altri standard per
       insiemi di caratteri. Garantisce anche compatibilità ad andata e ritorno, cioè è possibile
       costruire tavole di conversione in modo tale da non perdere nessuna informazione  passando
       da una qualsiasi altra codifica a UCS e viceversa.

       UCS  contiene  i caratteri necessari alla rappresentazione di praticamente tutte le lingue
       conosciute. Esso comprende non solo i caratteri romano, greco,  cirillico,  ebreo,  arabo,
       armeno  e  georgiano,  ma anche alfabeti ideografici cinese, giapponese e coreano han, e i
       caratteri hiragana, katakana, hangul,  devanagari,  bengali,  gurmukhi,  gujarati,  oriya,
       tamil, telugu, kannada, malayalam, thai, lao, khmer, bopomofo, tibetano, runico, etiopico,
       canadese sillabico, cherokee, mongolo, ogham, myanmar, sinhala, thaana, yi  e  altri.  Per
       caratteri  non ancora coperti la ricerca su come codificarli al meglio è ancora in corso e
       prima o poi verranno  aggiunti.  Ciò  potrebbe  includere  non  solo  geroglifici  e  vari
       linguaggi  storici  indo-europei,  ma  anche  alcuni  caratteri artistici selezionati come
       tengwar,  cirth  e  klingon.  UCS  copre  anche  un  grande  numero  di  simboli  grafici,
       tipografici, matematici e scientifici, inclusi quelli forniti da TeX, Postscript, APL, MS-
       DOS, MS-Windows, Macintosh e font OCR, oltra a molti sistemi di elaborazione  testi  e  di
       pubblicazione, e altri ne sono stati aggiunti.

       Lo standard UCS (ISO 10646) descrive una architettura di caratteri a 31 bit consistente di
       128 grupi a 24 bit, ciascuno diviso in 256 piani a 16 bit, composti da 256 linee a 8  bit,
       con  256  colonne  ,  una  per  ciascun carattere. La parte 1 dello standard (ISO 10646-1)
       definisce le prime 65534 posizioni (da 0x0000 a  0xfffd),  che  formano  il  Piano  Multi-
       linguistico  di  Base  (BMP),  ovvero il piano 0 del gruppo 0. La parte due dello standard
       (ISO 10646-2) aggiunge caratteri al gruppo 0  al  di  fuori  del  BMP  in  numerosi  piani
       supplementari  nel  range  da  0x10000  a  0x10ffff.  Non  ci sono piani per l'aggiunta di
       caratteri allo standard oltre 0x10ffff,  quindi,  dell'intero  spazio   codice,  solo  una
       piccola  frazione  del  gruppo 0 verrà usata nel prossimo futuro.  Il BMP contiene tutti i
       caratteri che si trovano negli altri insiemi  di  caratteri  comunemente  usati.  I  piani
       supplementari  aggiunti da ISO 10646-2 coprono solo caratteri esotici per speciali bisogni
       scientifici, stampa dizionario, industria editoriale, protocolli di livello più elevato, e
       entusiasti.

       La  rappresentazione di ciascun carattere UCS come parola di 2 byte è chiamato forma UCS-2
       (solo per i caratteri BMP), mentre UCS-4 è la rappresentazione di ciascun carattere in una
       parola  a 4 byte.  In aggiunta esistono due forme di codifica UTF-8 per retrocompatibilità
       con software di processamento ASCII e UTF-16 per la gestione della retrocompatibilità  dei
       caratteri non BMP fino a 0x10ffff del software UCS-2.

       I  caratteri UCS nelle posizioni da  0x0000 a 0x007f coincidono con quelli classici di US-
       ASCII e i caratteri da 0x0000 a 0x00ff  coincidono  con  quelli  dell'insieme  ISO  8859-1
       Latin-1.

   Caratteri combinanti
       Alcuni  codici  di  UCS  sono  stati assegnati a caratteri combinanti.  Simile ad un tasto
       accentato che non avanza in una macchina da scrivere, un carattere combinante aggiunge  un
       accento al carattere precedente. I caratteri accentati più importanti hanno un loro codice
       in UCS, ma questo meccanismo permette di aggiungere accenti a  altri  segni  diacritici  a
       qualsiasi carattere. I caratteri combinanti seguono sempre il carattere che modificano. Ad
       esempio,  il  carattere  tedesco  Ä  («A  maiuscola  romana  con  dieresi»)   può   essere
       rappresentato  sia  col  codice  UCS  precomposto  0x00c4, oppure come combinazione di una
       normale «A maiuscola romana» seguita da una «dieresi combinante»: 0x0041 0x0308.

       I caratteri combinanti sono essenziali per esempio nella codifica dei caratteri Thai o per
       la composizione matematica e per gli utenti dell'alfabeto internazionale fonetico.

   Livelli di implementazione
       Siccome  non ci si aspetta che tutti i sistemi possano supportare meccanismi avanzati come
       i caratteri combinanti, ISO 10646-1 specifica tre livelli d'implementazione per UCS:

       Livello 1
                I caratteri combinanti Hangul Jamo (una codifica variante dell'alfabeto  coreano,
                dove   le   sillabe   Hangul  sono  codificate  come  trio  o  coppia  di  codici
                vocale/consonante) non sono supportati.

       Livello 2
                Come il livello 1,  ma  alcuni  caratteri  combinanti  sono  permessi  in  alcuni
                alfabeti  (per  es.,  ebraico,  arabo,  devangari, bengalese, gurmuco, gugiarato,
                oriya, tamil, telugo, kannada, malese, tailandese e laotiano).

       Livello 3
                Tutti i caratteri UCS sono supportati.

       Lo Standard Unicode 3.0 pubblicato dall' Unicode Consortium contiene esattamente il  piano
       multi-linguistico  di  base  UCS  al  livello  3  d'implementazione, come descritto in ISO
       10646-1:2000.  Unicode 3.1 ha aggiunto i piani supplementari dell'ISO 10646-2. Lo standard
       Unicode   e   i  raporti  tecnici  pubblicati  dall'Unicode  Consortium  forniscono  molte
       informazioni aggiuntive sulla semantica e sugli usi raccomandati dei vari caratteri.  Essi
       forniscono   linee   guida   e   algoritmi   per   editing,   ordinamento,   comparazione,
       normalizzazione, conversione e visualizzazione delle stringhe Unicode.

   Unicode sotto Linux
       Sotto GNU/Linux, il tipo C wchar_t è un tipo intero 32-bit con segno. I suoi  valori  sono
       sempre   interpretati   dalla  libreria  C  come  valori  del  codice  UCS  (in  tutte  le
       localizzazioni), una convenzione che è segnalata alle applicazioni dalla libreria C di GNU
       definendo la costante __STDC_ISO_10646__ come specificato nello standard ISO C 99.

       UCS/Unicode  può  essere  usato come semplice ASCII nei flussi input/output, comunicazioni
       tra terminali, file di testo, nomi file e variabili d' ambiente nella codifica  multi-byte
       UTF-8  compatibile  ASCII. Per segnalare l'uso di UTF-8 come codifica carattere a tutte le
       applicazioni deve venire selezionata una localizzazione appropriata  attraverso  variabili
       d'ambiente (es., "LANG=en_GB.UTF-8").

       La  funzione  nl_langinfo(CODESET)  restituisce  il  nome  della  codifica selezionata. Le
       funzioni di libreria come wctomb(3) e mbsrtowcs(3) possono essere usate per trasformare  i
       caratteri  interni  e  le  stringhe  wchar_t  nella  codifica  dei  caratteri di sistema e
       viceversa  e  wcwidth(3)  dice  di  quante  posizioni  (0–2)  il  cursore  viene  avanzato
       dall'output di un carattere.

       In  Linux  in  generale  al  momento  bisognerebbe  usare  il  BMP  solo  al  livello 1 di
       implementazione. Alcuni emulatori  di  terminale  UTF-8  e  font  ISO  10646  (livello  2)
       supportano anche fino a due caratteri combinanti per base caratteri per certi alfabeti (in
       particolare thai), ma, in generale, i caratteri precomposti devono  essere  preferiti  ove
       disponibili (Unicode la chiama Normalization Form C).

   Area privata
       L'intervallo  da  0xe000 a 0xf8ff nel BMP, non verrà mai assegnato dallo standard a nessun
       carattere ed è riservato per uso privato. Per la comunità Linux questo intervallo è  stato
       ulteriormente  suddiviso  nell'intervallo  da  0xe000  a  0xefff,  che  può  essere  usato
       dall'utente finale, e   nell'area  Linux  nell'intervallo  da  0xf000  a  0xf8ff,  le  cui
       estensioni  sono  coordinate  fra  tutti  gli  utenti  di Linux. Il registro dei caratteri
       assegnati all'area Linux è al momento mantenuto da H. Peter Anvin <Peter.Anvin@linux.org>.

   Bibliografia
       * Information technology — Universal Multiple-Octet Coded Character Set (UCS)  —  Part  1:
         Architecture  and  Basic  Multilingual  Plane.   International Standard ISO/IEC 10646-1,
         International Organization for Standardization, Geneva, 2000.

         Questa è la specifica ufficiale  di  UCS.   Disponibile  come  file  PDF  su  CD-ROM  da
         http://www.iso.ch/.

       * The Unicode Standard, Version 3.0.  The Unicode Consortium, Addison-Wesley, Reading, MA,
         2000, ISBN 0-201-61633-5.

       * S. Harbison, G. Steele. C: A Reference Manual. Fourth edition, Prentice Hall,  Englewood
         Cliffs, 1995, ISBN 0-13-326224-3.

         A  good  reference  book about the C programming language. The fourth edition covers the
         1994 Amendment 1 to the ISO C 90 standard, which adds a large number of  new  C  library
         functions  for  handling  wide  and  multi-byte character encodings, but it does not yet
         cover ISO C 99, which improved wide and multi-byte character support even further.

       * Unicode Technical Reports.
         http://www.unicode.org/unicode/reports/

       * Markus Kuhn: UTF-8 e Unicode FAQ per Unix/Linux.
         http://www.cl.cam.ac.uk/~mgk25/unicode.html

         Fornisce informazioni sulla sottoscrizione alla mailing list linux-utf8 che è il miglior
         posto in cui guardare per consigli sull'uso di Unicode sotto Linux.

       * Bruno Haible: Unicode HOWTO.
         ftp://ftp.ilog.fr/pub/Users/haible/utf8/Unicode-HOWTO.html

BACHI

       _Al momento dell'ultima revisione di questa man page, la libreric GNU C di supporto per le
       localizzazioni UTF-8 era matura e il supporto XFree86 era ad uno stadio  avanzato,  ma  il
       lavoro  per  rendere  le  applicazioni  (specialmente  gli  editor)  adatte all'uso con le
       localizzazioni UTF-8 era ancora in corso. Il supporto generale corrente a UCS sotto  Linux
       di  solito  fornisce  caratteri  per  CJK  a  doppia  ampiezza,  e talvolta anche semplici
       caratteri combinanti, ma solitamente non include il supporto per alfabeti con direzione da
       destra  a  sinistra  o  requisiti  per  la sostituzione della legatura come negli alfabeti
       ebraico, arabo, o Indic.  Questi  alfabeti  attualmente  sono  supportati  solo  in  certe
       aplicazioni  GUI  (visualizzatori  HTML, word processor) con motori sofisticati di disegno
       del testo.

AUTORE

       Markus Kuhn <mgk25@cl.cam.ac.uk>

VEDERE ANCHE

       setlocale(3), charsets(7), utf-8(7)