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¶

ISO 8859 is a series of 15 8-bit character sets, all of which have ASCII in their low (7-bit) half, invisible control characters in positions 128 to 159, and 96 fixed-width graphics in positions 160–255.

Of these, the most important is ISO 8859-1 ("Latin Alphabet No. 1" / Latin-1). It was widely adopted and supported by different systems, and is gradually being replaced with Unicode. The ISO 8859-1 characters are also the first 256 characters of 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.

Here are brief descriptions of each character set:

8859-1 (latin-1)

Latin-1 covers many European languages such as Albanian, Basque, Danish, English, Faroese, Galician, Icelandic, Irish, Italian, Norwegian, Portuguese, Spanish, and Swedish. The lack of the ligatures Dutch IJ/ij, French œ, and old-style „German“ quotation marks was considered tolerable.

8859-2 (latin-2)

Latin-2 supports many Latin-written Central and East European languages such as Bosnian, Croatian, Czech, German, Hungarian, Polish, Slovak, and Slovene. Replacing Romanian ș/ț with ş/ţ was considered tolerable.

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

This character set does not exist.

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)

This character set covers many Southeast European languages, and most importantly supports Romanian more completely than 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 was a popular character set in Taiwan to express traditional Chinese. (Big5 is both a character set and an encoding.) It is a superset of ASCII. Non-ASCII characters are expressed in two bytes. Bytes 0xa1–0xfe are used as leading bytes for two-byte characters. Big5 and its extension were widely used in Taiwan and Hong Kong. It is not ISO 2022 compliant.

JIS X 0208¶

JIS X 0208 is a Japanese national standard character set. Though there are some more Japanese national standard character sets (like JIS X 0201, JIS X 0212, and JIS X 0213), this is the most important one. Characters are mapped into a 94x94 two-byte matrix, whose each byte is in the range 0x21–0x7e. Note that JIS X 0208 is a character set, not an encoding. This means that JIS X 0208 itself is not used for expressing text data. JIS X 0208 is used as a component to construct encodings such as EUC-JP, Shift_JIS, and ISO-2022-JP. EUC-JP is the most important encoding for Linux and includes ASCII and JIS X 0208. In EUC-JP, JIS X 0208 characters are expressed in two bytes, each of which is the JIS X 0208 code 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.

There are 4 graphic character sets, called G0, G1, G2, and G3, and one of them is the current character set for codes with high bit zero (initially G0), and one of them is the current character set for codes with high bit one (initially G1). Each graphic character set has 94 or 96 characters, and is essentially a 7-bit character set. It uses codes either 040–0177 (041–0176) or 0240–0377 (0241–0376). G0 always has size 94 and uses codes 041–0176.

Switching between character sets is done using the shift functions ^N (SO or LS1), ^O (SI or LS0), ESC n (LS2), ESC o (LS3), ESC N (SS2), ESC O (SS3), ESC ~ (LS1R), ESC } (LS2R), ESC | (LS3R). The function LSn makes character set Gn the current one for codes with high bit zero. The function LSnR makes character set Gn the current one for codes with high bit one. The function SSn makes character set Gn (n=2 or 3) the current one for the next character only (regardless of the value of its high order bit).

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.

ISO 4873 stipulates a narrower use of character sets, where G0 is fixed (always ASCII), so that G1, G2, and G3 can be invoked only for codes with the high order bit set. In particular, ^N and ^O are not used anymore, ESC ( xx can be used only with xx=B, and ESC ) xx, ESC * xx, ESC + xx are equivalent to ESC - xx, ESC . xx, ESC / xx, respectively.

TIS-620¶

TIS-620 is a Thai national standard character set and a superset of ASCII. In the same fashion as the ISO 8859 series, Thai characters are mapped into 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.

Note that UTF-8 is self-synchronizing: 10xxxxxx is a tail, any other byte is the head of a code. Note that the only way ASCII bytes occur in a UTF-8 stream, is as themselves. In particular, there are no embedded NULs ('\0') or '/'s that form part of some larger code.

Since ASCII, and, in particular, NUL and '/', are unchanged, the kernel does not notice that UTF-8 is being used. It does not care at all what the bytes it is handling stand for.

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.