ASCII¶

L'ASCII (American Standard Code For Information Interchange) est le jeu de caractères 7 bits original, prévu pour l'anglais (américain). Il est aussi connu sous le nom US-ASCII. Il est décrit actuellement dans la norme ISO 646:1991 IRV (International Reference Version).

Différentes variantes d'ASCII sont apparues, remplaçant le dollar par d'autres symboles monétaires et la ponctuation par des caractères accentués pour couvrir l'allemand, le français, l'espagnol et d'autres langues en 7 bits. Elles sont toutes obsolètes, la glibc ne gère que les paramètres régionaux dont le jeu de caractères est un sur-ensemble d'ASCII.

Comme Unicode, lors de l’utilisation d’UTF-8, est compatible avec ASCII, le texte en simple ASCII est toujours rendu correctement sur les systèmes modernes utilisant l’UTF-8.

ISO 8859¶

L'ISO 8859 est une série de 15 jeux de caractères 8 bits contenant l'ASCII dans leur première moitié (7 bits), des caractères de contrôle non imprimables entre les positions 128 et 159, et 96 symboles graphiques de largeur fixe aux emplacements 160 à 255.

De tous ces jeux, le plus important est l'ISO 8859-1 (« alphabet latin nº 1 », latin-1). Il était massivement adopté et pris en charge par différents systèmes et est remplacé au fur et à mesure par Unicode. Les caractères d’ISO 8859-1 sont aussi les premiers 256 caractères d’Unicode.

La prise en charge en console des autres jeux de caractères 8859 est disponible sous Linux, à travers des utilitaires comme setfont(8), qui modifient la correspondance des touches du clavier, la table graphique EGA et utilisent une projection personnalisée de la table de fonte du gestionnaire de console.

Voici une brève description des jeux de caractères 8859 :

8859-1 (latin-1)

Le latin-1 couvre de nombreuses langues d'Europe, comme l'albanais, l'anglais, le basque, le danois, l'espagnol, le féroïen, le galicien, le gallois, l'irlandais, l'islandais, l'italien, le norvégien, le portugais et le suédois. L’absences de ligatures « IJ » et « ij » du néerlandais et « œ » du français, ainsi que l'absence d’anciens guillemets „allemands“ étaient considérées tolérables.

8859-2 (latin-2)

Le latin-2 prend en charge de nombreuses langues d’Europe centrale et de l'Est utilisant l'alphabet latin comme l’allemand, le bosniaque, le croate, le hongrois, le polonais, le slovaque, le slovène et le tchèque. Remplacer les « ș » et « ț » roumains par « ş » et « ţ » était considéré tolérable.

8859-3 (latin-3)

Le latin-3 était conçu pour couvrir l’espéranto, le gallois, le maltais et le turc, mais 8859-9 l’a ensuite supplanté pour le turc.

8859-4 (latin-4)

Le latin-4 a introduit des lettres pour les langues de l’Europe du Nord comme l'estonien, le letton et le lituanien, mais il a été supplanté par 8859-10 et 8859-13.

8859-5

Alphabet cyrillique prenant en charge le bulgare, le biélorusse, le macédonien, le russe, le serbe et (presque complètement) l’ukrainien. Il n’a jamais été beaucoup utilisé, consultez les remarques concernant KOI8-R et KOI-U ci-dessous.

8859-6

Avait été créé pour l'arabe. La table 8859-6 est une fonte de largeur fixe de formes de lettre distinctes, mais un affichage correct doit combiner les lettres en utilisant leurs formes initiale, centrale et finale.

8859-7

Avait été créé pour le grec moderne en 1987 et mis à jour en 2003.

8859-8

Prend en charge l'hébreu moderne sans diacritiques (signes de ponctuation). Les diacritiques et l'hébreu biblique dans son ensemble étaient en dehors de la portée de ce jeu de caractères.

8859-9 (latin-5)

Il s'agit d'une variante du latin-1 qui remplace les lettres islandaises rarement utilisées par des lettres turques.

8859-10 (latin-6)

Le latin-6 ajoutait les lettres inuit (Groënland) et same (lapon) qui manquaient au latin-4 pour couvrir toute la zone nordique.

8859-11

Prend en charge l’alphabet thaï et est presque identique à la norme TIS-620.

8859-12

Ce jeu de caractères n’existe pas.

8859-13 (latin-7)

Prend en charge les langues des pays baltes, en particulier les caractères lituaniens absents du latin-4.

8859-14 (latin-8)

Jeu de caractères celtique, couvrant le breton, le cornique, le gaélique, le gallois, l’irlandais ancien et le mannois.

8859-15 (latin-9)

Le latin-9 est similaire au latin-1 largement utilisé mais remplace les symboles les moins communs par le symbole euro et les lettres françaises et finlandaises qui manquaient au latin-1.

8859-16 (latin-10)

Ce jeu de caractères couvre de nombreuses langues d’Europe du Sud-Est et, ce qui est plus important, prend mieux en charge le roumain que le latin-2.

KOI8-R et KOI8-U¶

Le KOI8-R est un jeu de caractères non ISO très répandu en Russie avant Unicode. La première moitié correspond à l'ASCII, la seconde est un jeu de caractères cyrilliques un peu mieux conçu que l'ISO 8859-5. Le KOI8-U, basé sur le KOI8-R, a une meilleure prise en charge de l'ukrainien. Aucun de ces jeux n'est compatible avec l'ISO-2022, contrairement aux normes ISO-8859.

La prise en charge du KOI8-R en console est disponible sous Linux, à l’aide d’utilitaires en mode utilisateur qui modifient la correspondance des touches du clavier, la table graphique EGA et utilisent une projection personnalisée de la table de fonte du gestionnaire de console.

GB 2312¶

GB 2312 est le principal jeu de caractères normalisé en Chine, utilisé pour exprimer le chinois simplifié. Comme avec le JIS X 0208, les caractères sont projetés dans une matrice 94x94 sur deux octets pour construire l'EUC-CN. Celui-ci est l'encodage le plus important sous Linux et inclut l'ASCII et le GB 2312. Remarquez que l'EUC-CN est souvent appelé GB, GB 2312 ou CN-GB.

Big5¶

Big5 était un jeu de caractères populaire à Taïwan pour exprimer le chinois traditionnel (Big5 est à la fois un jeu de caractères et un encodage). C'est un sur-ensemble de l'ASCII. Les caractères non ASCII sont exprimés sur deux octets. Les octets 0xA1-0xFE sont utilisés en préambule pour les caractères de deux octets. Le Big5 et son extension étaient largement utilisés à Taïwan et Hong Kong. Il n'est pas compatible ISO 2022.

JIS X 0208¶

JIS X 0208 est un jeu de caractères normalisé au Japon. Bien qu'il y ait plusieurs jeux de caractères normalisés au Japon, (comme JIS X 0201, JIS X 0212 et JIS X 0213), celui-ci est le plus important. Les caractères sont projetés dans une matrice 94x94 de deux octets, dont chaque octet est dans l'intervalle 0x21-0x7E. Remarquez que JIS X 0208 est un jeu de caractères, pas un encodage. Cela signifie que JIS X 0208 lui-même n'est pas utilisé pour exprimer des données de texte. Il est utilisé comme composant pour construire un encodage comme EUC-JP, Shift_JIS et ISO-2022-JP. EUC-JP est le plus important encodage sous Linux et inclut l'ASCII et le JIS X 0208. Dans l'EUC-JP, les caractères du JIS X 0208 sont exprimés sur deux octets, chacun étant le code JIS X 0208 plus 0x80.

KS X 1001¶

KS X 1001 est un jeu de caractères normalisé en Corée. Comme dans le JIS X 0208, les caractères sont projetés dans une matrice 94x94 sur deux octets. KS X 1001 est utilisé, comme le JIS X 0208, comme composant pour construire un encodage comme le EUC-KR, Johab, et ISO-2022-KR. EUC-KR est l'encodage le plus important sous Linux et inclut l'ASCII et le KS X 1001. KS C 5601 est un ancien nom pour le KS X 1001.

ISO 2022 et ISO 4873¶

Les normes ISO 2022 et 4873 décrivent un modèle de contrôle des fontes basé sur le fonctionnement du VT100. Ce modèle est (partiellement) pris en charge par le noyau Linux et xterm(1). Plusieurs encodages de caractères basés sur ISO 2022 ont été définis, en particulier pour le japonais.

Il existe 4 jeux de caractères graphiques, nommés G0, G1, G2 et G3, l'un d'entre eux est utilisé comme jeu de caractères en cours pour les codes avec le bit de poids fort à 0 (par défaut G0), et un autre est utilisé pour les codes avec le bit de poids fort à 1 (initialement G1). Chaque ensemble dispose de 94 ou 96 caractères, et est constitué de caractères sur 7 bits. Ce modèle utilise soit les codes 040-0177 (041-0176), soit les codes 0240-0377 (0241-0376). G0 a toujours une taille de 94 caractères et utilise les codes 041-0176.

Le basculement entre les jeux de caractères est effectué à travers les suites ^N (SO ou LS1), ^O (SI ou LS0), ESC n (LS2), ESC o (LS3), ESC N (SS2), ESC O (SS3), ESC  (LS1R), ESC } (LS2R), ESC | (LS3R). La fonction LSn réclame le jeu Gn pour les codes dont le bit de poids fort est à zéro. La fonction Sn demande le jeu Gn pour les codes dont le bit de poids fort est à un. La fonction SSn réclame le jeu Gn (n=2 ou 3) pour le caractère suivant uniquement (quelle que soit la valeur du bit de poids fort).

Un jeu de 94 caractères est désigné comme jeu Gn par une suite ESC ( xx (pour G0), ESC ) xx (pour G1), ESC * xx (pour G2), ESC + xx (pour G3), où xx est un symbole ou une paire de symboles de la norme ISO 2375 International Register of Coded Character Sets. Par exemple, ESC ( @ sélectionne le jeu ISO 646 en tant que G0, ESC ( A sélectionne le jeu normalisé au Royaume-Uni (avec la livre sterling à la place du dièse), ESC ( B sélectionne l'ASCII, ESC ( M sélectionne un jeu de caractères africain, ESC ( ! A sélectionne les caractères cubains, etc.

Un jeu de 96 caractères est désigné comme jeu Gn par une suite ESC - xx (pour G1), ESC . xx (pour G2) ou ESC / xx (pour G3). Par exemple, ESC - G sélectionne l'alphabet hébreu comme G1.

Un jeu de caractères multioctets est désigné comme jeu Gn par une suite ESC $ xx ou ESC $ ( xx (pour G0), ESC $ ) xx (pour G1), ESC $ * xx (pour G2), ESC $ + xx (pour G3). Par exemple, ESC $ ( C sélectionne les caractères coréens pour le jeu G0. Le jeu de caractères japonais sélectionné par ESC $ B dispose d'une version plus récente sélectionnée par ESC & @ ESC $ B.

L'ISO 4873 réclame une utilisation précise des jeux de caractères, dans laquelle G0 est fixé (toujours l'ASCII), ainsi seuls G1, G2 et G3 peuvent être invoqués pour les codes avec un bit de poids fort à 1. En particulier, ^N et ^O ne sont plus utilisés, ESC ( xx peut seulement être utilisé avec xx=B, et ESC ) xx, ESC * xx, ESC + xx sont équivalents à ESC - xx, ESC . xx, ESC / xx, respectivement.

TIS-620¶

Le TIS-620 est un jeu de caractère normalisé en Thaïlande, et est un sur-ensemble de l'ASCII. De la même façon que la série des ISO 8859, les caractères thaïs sont projetés dans l'intervalle 0xA1-0xFE.

Unicode¶

L'Unicode (ISO 10646) est une norme destinée à représenter sans ambiguïté tous les signes écrits de toutes les langues humaines connues. La structure de l'Unicode offre 21 bits pour chaque caractère. Comme les ordinateurs n'ont pas d'entiers avec 21 bits, Unicode est habituellement codé en interne sur 32 bits, ou par des séries d'entiers 16 bits (UTF-16) (ne nécessitant deux entiers 16 bits que pour des caractères rares) ou par une série d'octets 8 bits (UTF-8).

Linux représente l'Unicode en utilisant le format de transfert sur 8 bits (UTF-8). L'UTF-8 est un encodage à longueur variable. Il utilise un octet pour coder 7 bits, 2 octets pour 11 bits, 3 octets pour 16 bits, 4 octets pour 21 bits, 5 octets pour 26 bits, 6 octets pour 31 bits.

Représentons par 0, 1 ou x des bits à 0, 1 ou quelconque. Un octet 0xxxxxxx correspond à l'Unicode 00000000 0xxxxxxx qui indique le même symbole que l'ASCII 0xxxxxxx. Ainsi, ASCII n'est pas modifié par UTF-8, et les gens utilisant uniquement l'ASCII ne remarqueront aucun changement : ni dans l’encodage, ni dans les tailles de fichiers.

Un octet 110xxxxx représente le début d'un code sur 2 octets, et 110xxxxx 10yyyyyy est assemblé en 00000xxx xxyyyyyy. Un octet 1110xxxx correspond au début d'un code sur 3 octets, et 1110xxxx 10yyyyyy 10zzzzzz sont assemblés en xxxxyyyy yyzzzzzz. Quand l'UTF-8 est utilisé pour encoder les 31 bits de l'ISO 10646 cette progression continue jusqu'à des codes sur 6 octets.

Pour la plupart des textes en ISO 8859, cela signifie que les caractères en dehors de l'ASCII sont désormais encodés sur deux octets. Cela tend à allonger la taille des fichiers textes ordinaires de un à deux pourcents. Pour le russe ou le grec, la taille des fichiers textes ordinaires est généralement doublée car la plupart des caractères sont en dehors de l'ASCII. Pour les utilisateurs japonais, cela signifie que les codes sur 16 bits couramment employés prendront désormais 3 octets. Des conversions algorithmiques sont possibles depuis certains jeux de caractères (en particulier ISO 8859-1) vers l'Unicode, mais une conversion générique nécessite l'utilisation de tables de conversion pouvant être assez larges pour des codes sur 16 bits.

Remarquez que l'UTF-8 se synchronise automatiquement : 10xxxxxx est la fin d'un code, et tout autre octet est un début de code. Notez également que les octets ASCII dans un flux UTF-8 ne peuvent que représenter les caractères ASCII correspondants. En particulier il n'y a pas d’octet NULL (« \0 ») ou « / » faisant partie d'un code plus grand.

Comme l'ASCII, et, en particulier, l’octet NULL et « / », ne sont modifiés, le noyau ne remarque pas que l'UTF-8 est utilisé. Il n'a pas à se préoccuper de la signification des octets qu'il manipule.

La gestion des flux de données Unicode est généralement effectuée à travers des tables de « sous-fontes » correspondant à un sous-ensemble des caractères Unicode. En interne, le noyau utilise l'Unicode pour décrire les sous-fontes chargées en mémoire vidéo. Cela signifie que pour une console Linux en mode UTF-8, un jeu de caractères avec 512 symboles différents peut être utilisé. Ce n'est pas assez pour le japonais, le chinois ou le coréen, mais c'est généralement suffisant pour toutes les autres utilisations.