Provided by: manpages-it_2.80-5_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/