ASCII¶

ASCII (American Standard Code For Information Interchange) è l'insieme di caratteri originale a 7 bit, creato in origine per l'inglese americano; è noto anche come US-ASCII. Viene ora descritto dallo standard ISO 646:1991 IRV (International Reference Version).

Sono apparse diverse 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 gli insiemi di caratteri non siano veri insiemi di ASCII.

Poiché Unicode, quando si usa UTF-8, è compatibile con ASCII, un testo semplice in formato ASCII viene ugualmente interpretato correttamente sui sistemi moderni che usano 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.

Il supporto di console per gli altri insiemi di carattere 8859 è disponibile in Linux grazie a utilità in modalità utente (come setfont(8)) che modificano le associazioni di tasti e la tabella grafica EGA, e impiegano una "mappa utente" per la tabella di caratteri nel driver di 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)

Latin-3 è stato creato per esperanto, maltese e turco; per il turco è stato poi soppiantato da 8859-9.

8859-4 (Latin-4)

Latin-4 ha introducotto lettere per le lingue nord-occidentali come estone, lettone e lituano, ma è stato soppiantato da 8859-10 e 8859-13.

8859-5

Lettere cirilliche per bulgaro, bellorusso, macedone, russo, serbo e (quasi completamente) ucraino. Non è mai stato usato molto; vedere più avanti la discussione su KOI8-R.

8859-6

È stato creato per l'arabo. 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

È stato creato per il greco moderno nel 1987, e aggiornato nel 2003.

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.

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 ha aggiunto le inuit (groenlandese) e sami (lappone) mancanti in Latin-4, così da coprire l'intera area nordica.

8859-11

Supporta l'alfabeto thai ed è quasi era identica allo standard TIS-620.

8859-12

This character set does not exist.

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 celtici, che comprende l'irlandese antico, la lingua dell'isola di Man, il gaelico, il gallese, la lingua della Cornovaglia e il bretone.

8859-15 (Latin-9)

Latin-9 è simile al Latin-1 comunemente usato, ma sostituisce alcune simboli meno comuni con il simbolo dell'Euro e alcune lettere francesi e finlandesi assenti in 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 / KOI8-U¶

KOI8-R è un insieme di caratteri non ISO molto diffuso in Russia prima dell'Unicode. La metà bassa è ASCII; la metà alta contiene un insieme di caratteri cirillici, concepito un po' meglio di quello di ISO 8859-5. KOI8-U, basato su KOI8-R, ha 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.

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. EUC-CN è la codifica più importante per Linux e include ASCII e GB 2312. Si noti che EUC-CN spesso è chiamato GB, GB 2312 o 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 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 ASCII E KS X 1001. KS C 5601 è il vecchio nome di KS X 1001.

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). Sono state definite diverse codifiche di caratteri basate su ISO 2002, specialmente per il giapponese.

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 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 UK (con la sterlina al posto del simbolo numerico), 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, e così via.

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 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¶

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).

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. Usa 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 la maggior parte dei testi codificati con 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 i testi 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, la conversione generale richiede l'uso di tabelle di conversione, che possono essere piuttosto grandi per codifiche a 16 bit.

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.

Le sequenze di dati Unicode sono solitamente rese attraverso tabelle di "sottocaratteri" 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 nella console Linux in modalità UTF-8 si può usare un insieme di caratteri con 512 simboli diversi. Questo non è sufficiente per giapponese, cinese e coreano, ma basta per la maggior parte degli altri utilizzi.