Provided by: manpages-es_1.55-10_all 
NOMBRE
charsets - internacionalización y conjuntos de caracteres desde el punto de vista del programador
DESCRIPCIÓN
Linux es un sistema operativo internacional. Varias de sus utilidades y controladores (``drivers'') de
dispositivos (incluyendo el de la consola) admiten conjuntos de caracteres multilingües, que incluyen
letras del alfabeto latino con marcas diacríticas, acentos y ligaduras, y alfabetos enteros no latinos
incluyendo el griego, cirílico, árabe y hebreo.
Esta página de manual presenta una visión de los estándares de conjuntos de caracteres desde el punto de
vista del programador y cómo encajan todos juntos en Linux. Los estándares que se tratan incluyen el
ASCII, ISO 8859, KOI8-R, Unicode, ISO 2022 e ISO 4873. Vamos a hacer enfásis en aquellos conjuntos de
caracteres que se usan realmente como conjuntos de caracteres de localización, no en los miles de
aquellos que podemos encontrar en datos procedentes de otros sistemas.
Una lista completa de los conjuntos de caracteres usados en una localización oficialmente soportada en
glibc 2.2.3 es: 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 y TIS-620 (sin ningún orden particular.) (El rumano se puede cambiar al
ISO-8859-16.)
ASCII
ASCII (American Standard Code For Information Interchange, Código Estándar Americano para el Intercambio
de Información) es el conjunto de caracteres original de 7 bits, diseñado inicialmente para el inglés
americano. Actualmente se describe en el estándar ECMA-6.
Existen varias variantes del ASCII de 7 bits que reemplazan el signo del dolar por otros símbolos
monetarios y caracteres de puntuación con caracteres alfabéticos no ingleses para cubrir el alemán,
frances, español y otros. No se recomienda usar ningún de ellos; la libc de GNU no soporta localizaciones
cuyos conjuntos de caracteres no sean verdaderos superconjuntos del ASCII. (Estos conjuntos también se
conocen como ISO-646, un pariente cercano del ASCII que permite reemplazar estos caracteres.)
Como Linux fue escrito para equipos diseñados en los EE.UU., admite ASCII de modo nativo.
ISO 8859
ISO 8859 es una serie de 15 conjuntos de caracteres de 8 bits, los cuales tienen como su primera mitad (7
bits) el US ASCII, caracteres de control invisibles en las posiciones 128 a 159, y 96 gráficos fijos
desde la posición 160 hasta la 255.
De éstos, el más importante es el ISO 8859-1 (Latin-1). Es admitido de modo nativo por el controlador de
consola de Linux, muy bien admitido en X11R6 y es el conjunto de caracteres base de HTML.
El soporte de consola para los otros conjuntos de caracteres 8859 está disponible en Linux a través de
utilidades de usuario (como setfont(8)) que modifican las asociaciones de teclas y la tabla de gráficos
EGA/VGA y emplean la tabla de tipos de letra de "correspondencia de usuario" en el controlador de
consola.
Aquí se presentan breves descripciones de cada conjunto:
8859-1 (Latin-1)
Latin-1 cubre la mayoría de lenguajes de Europa Occidental como el albanés, catalán, danés,
neerlandés, inglés, feroés, finés, francés, alemán, gallego, gaélico, islandés, italiano, noruego,
portugués, español y sueco. La falta de las ligaduras neerlandesa ij, francesa oe y las comillas
antiguas ,,alemanas`` se considera tolerable.
8859-2 (Latin-2)
Latin-2 es el soporte para la mayoría de las lenguas eslavas y de Centro-Europa que se escriben
con caracteres latinos: checo, alemán, húngaro, polaco, rumano, croata, eslovaco y esloveno.
8859-3 (Latin-3)
Latin-3 es popular entre los autores de esperanto, gallego y maltés. (El turco ahora se escribe
con el conjunto 8859-9.)
8859-4 (Latin-4)
Latin-4 introdujo letras para el estonio, letón y lituano. Esencialmente está obsoleto; vea el
8859-10 (Latin-6) y 8859-13 (Latin 7).
8859-5 Letras cirílicas para el búlgaro, bielorruso, macedonio, ruso, serbio y ucraniano. Los ucranianos
leen la letra `ghe' con palote como `heh' y necesitarían una `ghe' con plumada ascendente para
escribir una correcta `ghe'. Vea la discusión sobre el KOI8-R más abajo.
8859-6 Para el árabe. La tabla de glifos 8859-6 es un tipo fijo de formas de letra separadas, pero un
mecanismo de visualización correcto debería combinar éstas usando las formas iniciales, medias y
finales apropiadas.
8859-7 Para el griego moderno.
8859-8 Para el hebreo moderno sin ``niqud'' (signos de puntuación). Los ``niqud'' y el hebreo bíblico
``oficial'' se encuentran fuera del ámbito de este conjunto de caracteres; en Linux se prefiere la
codificación UTF-8 para esto
8859-9 (Latin-5)
Ésta es una variante del Latin-1 que reemplaza letras islandesas con otras turcas.
8859-10 (Latin-6)
El Latin 6 añade las últimas letras del inuit (esquimal de Groenlandia) y del sami (lapón) que
faltaban en el Latin 4 para cubrir toda el área nórdica. RFC 1345 listaba un `latin6' preliminar y
diferente. El sami skolt aún necesita unos pocos acentos más que éstos.
8859-11
Esto sólo existe como borrador de un estándar que se rechazó. El borrador era idéntico a TIS-620,
que se usa en Linux para el tailandés.
8859-12
Este conjunto no existe. Aunque se ha sugerido su uso para el vietnamita, éste no cabe en los 96
caracteres (independientes) que ofrece el ISO 8859. En Linux se prefiere el conjunto de caracteres
UTF-8 para el vietnamita.
8859-13 (Latin-7)
Para las lenguas de la Ribera del Báltico; en particular, incluye los caracteres letones que no se
encuentran en Latin-4.
8859-14 (Latin-8)
Éste es el conjunto de caracteres celta, que cubre el gaélico y el galés. También contiene los
caracteres punteados que necesita el irlandés antiguo.
8859-15 (Latin-9)
Éste añade el signo del Euro y las letras francesas y finlandesas que se echaban de menos en
Latin-1.
8859-16 (Latin-10)
Este conjunto abarca muchos de los idiomas que cubre el 8859-2 y soporta el rumano de forma más
completa que aquel.
KOI8-R
El KOI8-R es un conjunto de caracteres no ISO popular en Rusia. La primera mitad es el US ASCII; la
segunda es un conjunto de caracteres cirílico algo mejor diseñado que el ISO 8859-5. KOI8-U es un
conjunto de caracteres común, basado en KOI8-R, que tiene un mejor soporte para el ucraniano. A
diferencia de las series ISO-8859, ninguno de estos conjuntos es compatible con el estándar ISO-2022.
El soporte de consola para el KOI8-R está disponible en Linux a través de utilidades de usuario (como
setfont(8)) que modifican las asociaciones de teclas y la tabla de gráficos EGA y emplean la tabla de
tipos de letra de "correspondencia de usuario" en el controlador de consola.
JIS X 0208
JIS X 0208 es un conjunto nacional estándar de caracteres japoneses. Aunque hay algunos conjuntos
nacionales estándares más de caracteres japoneses (como JIS X 0201, JIS X 0212 y JIS X 0213), éste es el
más importante. Los caracteres se proyectan en una matriz de 94x94 celdas de 2 bytes, donde cada byte se
encuentra en el rango 0x21-0x7e. Dese cuenta que JIS X 0208 es un conjunto de caracteres, no una
codificación. Esto significa que el propio JIS X 0208 no se usa para expresar datos de texto. JIS X 0208
se usa como un componente para construir codificaciones como EUC-JP, Shift_JIS y ISO-2022-JP. EUC-JP es
la codificación más importante para Linux e incluye ASCII IS y JIS X 0208. En EUC-JP, los caracteres JIS
X 0208 se expresan con 2 dos bytes, cada uno de los cuales es el código JIS X 0208 más 0x80.
KS X 1001
KS X 1001 es un conjunto nacional estándar de caracteres coreanos. Al igual que JIS X 0208, los
caracteres se proyectan en una matriz de 94x94 celdas de 2 bytes. KS X 1001 se usa como JIS X 0208, como
un componente para construir codificaciones tales como EUC-KR, Johab e ISO-2022-KR. EUC-KR es la
codificación más importante para Linux e incluye ASCII US y KS X 1001. KS C 5601 es el antiguo nombre de
KS X 1001.
GB 2312
GB 2312 es un conjunto nacional estándar de caracteres para el chino continental que se usa para expresar
chino simplificado. Al igual que JIS X 0208, los caracteres se proyectan en una matriz de 94x94 celdas de
dos bytes que se usa para construir la codificación EUC-CN. EUC-CN es la codificación más importante para
Linux e incluye ASCII US y GB 2312. Dese cuenta que EUC-CN frecuentemente se identifica como GB, GB 2312
o CN-GB.
Big5
Big5 es un conjunto de caracteres popular en Taiwan para expresar chino tradicional. (Big5 es tanto un
conjunto de caracteres como una codificación.) Es un superconjunto del ASCII US. Los caracteres no ASCII
se expresan con dos bytes. Los bytes 0xa1-0xfe se usan como primer byte en los caracteres de dos bytes.
Big5 y sus extensiones se usan ampliamente en Taiwan y Hong Kong. No cumple con el estándar ISO-2022.
TIS 620
TIS 620 es un conjunto nacional estándar de caracteres tailandeses y un superconjunto del ASCII US. Al
igual que las series ISO 8859, los caracteres tailandeses se proyectan en el rango 0xa1-0xfe. TIS 620 es
el único conjunto de caracteres comunmente usado en Linux, además de UTF-8, para tener caracteres de
combinación.
UNICODE
Unicode (ISO 10646) es un estándar cuyo objetivo es representar inequívocamente cada carácter conocido en
cada lenguaje humano. La estructura de Unicode admite 20'1 bits para codificar cada caracter. Sin
embargo, ya que la mayoría de los computadores no incluyen enteros de 20'1 bits, normalmente Unicode se
codifica internamente mediante enteros de 32 bits y, o bien una serie de enteros de 16 bits (UTF-16) (que
necesita dos enteros de 16 bits sólo cuando se codifican ciertos caracteres poco comunes), o bien una
serie de bytes de 8 bits (UTF-8). Hay información sobre Unicode en el URL <http://www.unicode.com>.
Linux representa Unicode empleando el Formato de Transformación Unicode de 8 bits (UTF-8). UTF-8 es una
codificación de Unicode de longitud variable. Emplea 1 byte para codificar 7 bits, 2 bytes para 11 bits,
3 bytes para 16 bits, 4 bytes para 21 bits, 5 bytes para 26 bits, y 6 bytes para 31 bits.
Sean 0, 1, x el 0, el 1 ó un bit arbitrario. Un byte 0xxxxxxx representa el carácter Unicode 00000000
0xxxxxxx que codifica el mismo símbolo que el ASCII 0xxxxxxx. Así, ASCII va sin cambio alguno dentro de
UTF-8, y la gente que emplea ASCII no nota ningún cambio: ni en el código ni en tamaños de fichero.
Un byte 110xxxxx es el comienzo de un código de 2 bytes, y 110xxxxx 10yyyyyy se ensambla en 00000xxx
xxyyyyyy. Un byte 1110xxxx es el comienzo de un código de 3 bytes, y 1110xxxx 10yyyyyy 10zzzzzz se
ensambla en xxxxyyyy yyzzzzzz. (Cuando se emplea UTF-8 para codificar el ISO 10646 de 31 bits, esta
progresión continúa hasta códigos de 6 bytes.)
Para la mayoría de la gente que usa los conjuntos de caracteres ISO-8859, esto significa que los
caracteres fuera de ASCII se codifican ahora con dos bytes. Esto tiende a expandir los ficheros de texto
ordinarios en sólo un 1 o 2%. Para el ruso y el griegos, esto expande los ficheros de texto ordenarios en
un 100%, ya que el texto en estos idiomas se encuentra en su mayor parte fuera de ASCII. Para los
usuarios japoneses esto significa que los códigos de 16 bits de uso común actualmente necesitarán tres
bytes. Aunque hay conversiones algorítmicas desde algunos conjuntos de caracteres (esp. ISO-8859-1) a
Unicode, una conversión general requiere andar con tablas de conversión que puede ser bastante grandes
para los códigos de 16 bits.
Observe que UTF-8 es auto-sincronizante: 10xxxxxx es una cola, y cualquier otro byte es la cabeza de un
código. Observe que de la única manera que los bytes ASCII aparecen en un flujo UTF-8 es como ellos
mismos. En particular, no hay NULs o '/'s incluidos que formen parte de algún código más grande.
Puesto que ASCII, y, en particular, NUL y '/', permanecen inalterados, el núcleo no se entera de que se
está empleando UTF-8. No le importa en absoluto para qué son los bytes que está manejando.
La representación de los flujos de datos Unicode se maneja normalmente a través de tablas de `subtipo'
que hacen corresponder un subconjunto de Unicode a glifos. Internamente el núcleo emplea Unicode para
describir el subtipo de letra cargada en RAM de vídeo. Esto significa que en el modo UTF-8 uno puede
emplear un conjunto de caracteres con 512 símbolos diferentes. Esto no basta para el japonés, chino ni
coreano, pero es bastante para la mayoría de otros propósitos.
Por el momento, el manejador de consola no maneja caracteres de combinación. Por lo que el tailandés, el
siux y otros alfabetos que necesitan caracteres de combinación no pueden ser manejados en la consola.
ISO 2022 Y ISO 4873
Los estándares ISO 2022 y 4873 describen un modelo de control de tipo de letra basado en la VT100. Este
modelo es (parcialmente) admitido por el núcleo de Linux y por xterm(1). Es popular en Japón y Corea.
Hay 4 conjuntos de caracteres gráficos, llamados G0, G1, G2 y G3, y uno de ellos es el conjunto de
caracteres actual para los códigos con el bit más alto a 0 (inicialmente G0), y uno de ellos es el
conjunto de caracteres actual para los códigos con el bit más alto a 1 (inicialmente G1). Cada conjunto
de caracteres gráfico tiene 94 ó 96 caracteres, y es esencialmente un conjunto de caracteres de 7 bits.
Emplea códigos bien entre 040-0177 (041-0176) o bien entre 0240-0377 (0241-0376). G0 siempre tiene de
tamaño 94 y emplea códigos en el rango 041-0176.
El cambio entre los conjuntos de caracteres se realiza empleando las funciones de cambio ^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 función LSn hace que el conjunto de caracteres Gn sea el actual para los códigos con el bit
más alto a 0. La función LSnR hace que el conjunto de caracteres Gn sea el actual para los códigos con
el bit más alto a 1. La función SSn hace que el conjunto de caracteres Gn (n=2 ó 3) sea el actual para
el siguiente carácter solamente (tenga lo que tenga su bit más alto).
Un conjunto de 94 caracteres se designa como el conjunto de caracteres Gn por una secuencia de escape ESC
( xx (para G0), ESC ) xx (para G1), ESC * xx (para G2), ESC + xx (para G3), donde xx es un símbolo o un
par de símbolos del Registro Internacional de Conjuntos de Caracteres Codificados ISO 2375. Por ejemplo,
ESC ( @ selecciona el conjunto de caracteres ISO 646 como el G0, ESC ( A selecciona el conjunto de
caracteres estándar de R.U. (con la libra esterlina en lugar del signo numeral #), ESC ( B selecciona el
ASCII (con el dólar $ en lugar del símbolo monetario ¤), ESC ( M selecciona un conjunto de caracteres
para lenguas africanas, ESC ( ! selecciona el conjunto de caracteres cubano, etc. etc. etc.
Un conjunto de 96 caracteres se designa como el conjunto de caracteres Gn por una secuencia de escape ESC
- xx (para G1), ESC . xx (para G2) o ESC / xx (para G3). Por ejemplo, ESC - G selecciona el alfabeto
hebreo como el G1.
Un conjunto de caracteres multibyte se designa como el conjunto de caracteres Gn por una secuencia de
escape ESC $ xx o ESC $ ( xx (para G0), ESC $ ) xx (para G1), ESC $ * xx (para G2), ESC $ + xx (para G3).
Por ejemplo, ESC $ ( C selecciona el conjunto de caracteres coreano para G0. El conjunto de caracteres
japonés seleccionado por ESC $ B tiene una versión más reciente seleccionada por ESC & @ ESC $ B.
ISO 4873 estipula un uso más reducido de conjuntos de caracteres, donde G0 está fijo (siempre ASCII), de
modo que G1, G2 y G3 sólo pueden ser llamados para códigos con el bit más alto a 1. En particular, ^N y
^O ya no se usan más, ESC ( xx sólo puede emplearse con xx=B y ESC ) xx, ESC * xx, ESC + xx son
equivalentes a ESC - xx, ESC . xx, ESC / xx, respectivamente.
VÉASE TAMBIÉN
console(4), console_ioctl(4), console_codes(4), ascii(7), iso_8859_1(7), unicode(7), utf-8(7)
Linux 7 mayo 2001 CHARSETS(7)