Provided by: manpages-fr_4.18.1-1_all 
NOM
Unicode - Jeu de caractères universel
DESCRIPTION
La norme internationale ISO 10646 définit le jeu de caractères universel (UCS). UCS
contient tous les caractères de tous les autres normes de jeux de caractères. Il garantit
également une « compatibilité circulaire », ce qui signifie que les tables de conversions
peuvent être construites de manière à ne perdre aucune information quand une chaîne de
caractères est convertie dans un autre encodage, puis reconvertie en sens inverse.
UCS contient les caractères nécessaires pour représenter presque toutes les langues
connues. Il inclut non seulement les alphabets latin, grec, cyrillique, hébreu, arabe,
arménien et géorgien, mais également les idéogrammes chinois, japonais, sino-coréens et
les écritures : hiragana, katakana, hangûl, dévanâgarî, bengali, gourmoukhî, goudjarati,
oriya, tamoul, télougou, kannara, malayalam, thaï, laotien, khmer, bopomofo, tibétain,
runes, éthiopien, syllabaires canadiens, chérokî, mongol, ogam, birman, cingalais, thâna,
yi, et d'autres. Pour les écritures qui n'ont pas encore été intégrées, des recherches
sont en cours pour optimiser l’encodage et elles seront probablement ajoutées. Cela inclut
non seulement des hiéroglyphes et des langues indo-européennes historiques, mais aussi des
écritures artistiques comme les tengwar de Fëanor, les cirth ou le klingon. UCS contient
également un grand nombre de symboles graphiques, typographiques, mathématiques et
scientifiques comme ceux fournis par TeX, PostScript, APL, MS-DOS, MS-Windows, Macintosh,
les polices OCR et par de nombreux traitements de texte et systèmes d'édition, et de plus
en plus sont ajoutés.
La norme UCS (ISO 10646) décrit un jeu de caractères sur 31 bits, constitué de 128 groupes
sur 24 bits, chacun d'eux divisés en 256 plans sur 16 bits, composés de 256 rangées de
8 bits, avec 256 positions en colonne contenant chacune un caractère. La première partie
de la norme (ISO 10646-1) définit les 65 534 premiers codes (0x0000 à 0xFFFD) qui forment
le plan multilingue de base (PMB), c'est-à-dire le plan 0 du groupe 0. La partie 2 de la
norme (ISO 10646-2) ajoute des caractères au groupe 0 en dehors du PMB, dans plusieurs
plans supplémentaires de l'espace 0x10000 à 0x10ffff. On ne prévoit pas d'ajouter à la
norme des caractères au-delà de 0x10ffff. Ainsi sur l'ensemble de l'espace disponible, une
faible fraction du groupe 0 ne sera effectivement utilisée dans un futur proche. Le PMB
contient tous les caractères des jeux habituels. Les plans supplémentaires ajoutés par
ISO 10646-2 ne contiennent que des caractères exotiques pour des notations scientifiques
spéciales, des impressions de dictionnaires, l'industrie de l'impression, des protocoles
de plus haut niveau et les besoins de quelques enthousiastes.
La représentation des caractères UCS sur des mots de 2 octets est appelée UCS-2 (seulement
pour les caractères du BMP), alors que UCS-4 est la représentation des caractères par un
mot de 4 octets. De plus, il existe deux formes d’encodage : UTF-8 pour la
rétrocompatibilité avec les logiciels traitant l'ASCII et UTF-16 pour la gestion
rétrocompatible des caractères non PMB jusqu'à 0x10ffff par des logiciels UCS-2.
Les caractères UCS 0x0000 à 0x007f sont identiques à ceux du jeu classique US-ASCII, et
ceux de l'intervalle 0x0000 à 0x00ff sont identiques à ceux du jeu de caractères
ISO 8859-1 (latin-1).
Caractères composés
Quelques codes de l'UCS ont été assignés à des caractères composés. Ils sont semblables
aux touches mortes d'accents sur les machines à écrire. Un caractère composé ajoute
simplement un accent sur le caractère précédent. Les caractères accentués les plus
importants ont leur propre code dans l'UCS. Cependant, le mécanisme des caractères
composés permet d'ajouter des accents ou des signes diacritiques sur n'importe quel
caractère de base. Les caractères composés suivent toujours le caractère qu'ils modifient.
Par exemple, le caractère « À » (lettre majuscule latine A accent grave) peut être
représenté soit par le code UCS précomposé 0x00C0, soit par la combinaison d'un A
majuscule normal, suivi d'un « diacritique accent grave », 0x0041 0x0308.
Les caractères composés sont essentiels par exemple pour l’encodage de l'écriture thaïe ou
pour les notations mathématiques et l'alphabet phonétique international.
Niveaux d'implémentation
Comme tous les systèmes ne sont pas censés gérer les mécanismes avancés comme les
caractères composés, ISO 10646-1 spécifie les trois niveaux d'implémentation suivants pour
l'UCS :
Niveau 1 Les caractères composés et les caractères jamos hangûl (un encodage spécial de
l'écriture coréenne, où les glyphes de syllabes hangûl sont encodés par 2 ou
3 codes de voyelle ou consonne) ne sont pas pris en charge.
Niveau 2 Outre le niveau 1, les caractères composés sont maintenant permis pour certaines
langues où ils sont essentiels (par exemple, le thaï, le laotien, l'hébreu,
l'arabe, le dévanâgarî ou le malayalam).
Niveau 3 Tous les caractères UCS sont gérés.
La norme Unicode 3.0 publiée par le Consortium Unicode contient exactement le plan
multilingue de base UCS au niveau 3 de l’implémentation, comme décrit dans la norme
ISO 10646-1:2000. Unicode 3.1 ajoute les plans supplémentaires de l'ISO 10646-2. La norme
Unicode et les rapports techniques publiés par le Consortium Unicode fournissent beaucoup
de renseignements supplémentaires sur la sémantique et les recommandations d’utilisation
de nombreux caractères. Elles fournissent des guides et des algorithmes pour éditer,
trier, comparer, normaliser, convertir et afficher des chaînes Unicode.
Unicode sous Linux
Sous GNU/Linux, le type C wchar_t est un entier 32 bits signé, et sa valeur est toujours
interprétée par la bibliothèque C comme un code UCS (dans tous les paramètres régionaux),
une convention signalée par la bibliothèque C de GNU pour les applications en définissant
la constante __STDC_ISO_10646__ comme indiquée dans la norme ISO C99.
L'UCS/Unicode peut être employé comme l'ASCII dans les flux d'entrée-sortie, les
communications avec les terminaux, les fichiers textes, les noms de fichier et les
variables d'environnement dans un encodage multioctet UTF-8 compatible ASCII. Pour
signaler l'utilisation de l'UTF-8 comme encodage pour toutes les applications, des
paramètres régionaux (locale) adéquats doivent être configurés dans les variables
d'environnement (par exemple, « LANG=fr_FR.UTF-8 »).
The nl_langinfo(CODESET) function returns the name of the selected encoding. Library
functions such as wctomb(3) and mbsrtowcs(3) can be used to transform the internal
wchar_t characters and strings into the system character encoding and back and wcwidth(3)
tells how many positions (0–2) the cursor is advanced by the output of a character.
Zone d'utilisation privée (PUA ou « Private Use Areas »)
L'intervalle entre 0xe000 et 0xf8ff du plan multilingue de base (« Basic Multilingual
Plane ») ne sera jamais assigné a aucun caractère par la norme et est réservé pour une
utilisation privée. Pour la communauté Linux, cette zone privée a été divisée en deux.
L'intervalle entre 0xe000 et 0xefff peut être utilisé individuellement par n'importe quel
utilisateur final. L'intervalle s'étendant de 0xf000 à 0xf8ff est réservé à Linux et les
extensions y sont coordonnées entre les divers utilisateurs de Linux. L'enregistrement des
caractères assignés à la zone Linux est maintenu par LANANA et le registre lui-même est
disponible dans les sources du noyau Linux sous Documentation/admin-guide/unicode.rst (ou
Documentation/unicode.txt avant Linux 4.10).
Deux autres plans sont réservés à un usage privé. Le plan 15 (zone d'utilisation privée
supplémentaire PUA-A, intervalle 0xf0000-0xffffd) et le plan 16 (zone d'utilisation privée
PUA-B, intervalle 0x100000-0x10fffd).
Littérature
• 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.
Il s'agit des spécifications officielles de l'UCS. Disponible sur ⟨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. Quatrième edition, Prentice Hall,
Englewood Cliffs, 1995, ISBN 0-13-326224-3.
Un bon livre de référence sur le langage de programmation C. La quatrième édition
couvre maintenant l'amendement 1 de 1994 à la norme ISO C90, qui ajoute un grand nombre
de fonctions de bibliothèque C pour manipuler les jeux de caractères larges et
multioctets, mais ne couvre pas encore l'ISO C99, qui améliore encore plus la gestion
des caractères larges et multioctets.
• Unicode Technical Reports.
⟨http://www.unicode.org/reports/⟩
• Markus Kuhn : UTF-8 and Unicode FAQ for UNIX/Linux.
⟨http://www.cl.cam.ac.uk/~mgk25/unicode.html⟩
• Bruno Haible : Unicode HOWTO.
⟨http://guidespratiques.traduc.org/lecture/Unicode-HOWTO.html⟩
VOIR AUSSI
locale(1), setlocale(3), charsets(7), utf-8(7)
TRADUCTION
La traduction française de cette page de manuel a été créée par Christophe Blaess
<https://www.blaess.fr/christophe/>, Stéphan Rafin <stephan.rafin@laposte.net>, Thierry
Vignaud <tvignaud@mandriva.com>, François Micaux, Alain Portal <aportal@univ-montp2.fr>,
Jean-Philippe Guérard <fevrier@tigreraye.org>, Jean-Luc Coulon (f5ibh) <jean-
luc.coulon@wanadoo.fr>, Julien Cristau <jcristau@debian.org>, Thomas Huriaux
<thomas.huriaux@gmail.com>, Nicolas François <nicolas.francois@centraliens.net>, Florentin
Duneau <fduneau@gmail.com>, Simon Paillard <simon.paillard@resel.enst-bretagne.fr>, Denis
Barbier <barbier@debian.org>, David Prévot <david@tilapin.org> et Grégoire Scano
<gregoire.scano@malloc.fr>
Cette traduction est une documentation libre ; veuillez vous reporter à la GNU General
Public License version 3 ⟨https://www.gnu.org/licenses/gpl-3.0.html⟩ concernant les
conditions de copie et de distribution. Il n'y a aucune RESPONSABILITÉ LÉGALE.
Si vous découvrez un bogue dans la traduction de cette page de manuel, veuillez envoyer un
message à ⟨debian-l10n-french@lists.debian.org⟩.