charsets - Jeux de caractères et internationalisation pour les programmeurs.

Linux est un système d'exploitation international. Plusieurs de ses utilitaires et de ses gestionnaires de périphériques (y compris le gestionnaire de console) supportent les jeux de caractères multilingues contenant les lettres de l'alphabet latin avec des accents et des liaisons, et des alphabets non-latin complets comme le grec, le cyrillique, l'arabe ou l'hébreu.
Cette page de manuel présente le point de vue du programmeur sur les différents jeux de caractères, et comment ils s'organisent sous Linux. Les standards présentés comprennent l'ASCII, l'ISO 8859, le KOI8-R, l'Unicode, l'ISO 2022 et l'ISO 4873. Un accent particulier est mis sur les jeux de caractères véritablement utilisés dans les localisations, et non sur la myriade de jeux provenant d'autres systèmes.
Une liste complète des jeux de caractères utilisés dans une localisation officielle de la GlibC est :vISO-8859-{1,2,3,5,6,7,8,9,13,15}, CP1251, UTF-8, EUC-{KR,JP,TW}, OI8-{R,U}, GB2312, GB18030, GBK, BIG5, BIG5-HKSCS et TIS-620, sans ordre particulier. Le roumain va peut-être basculer sur ISO-8859-16).

L'ASCII (American Standard Code For Information Interchange) est le jeu de caractères 7 bits original, prévu pour l'anglais (américain). Il est décrit actuellement dans le standard ECMA-6.
Une variante ASCII remplaçant le symbole américain "dièse" par le symbole anglais "livre sterling" est utilisé en Grande-Bretagne. Si besoin, on identifie les variantes américaine et britannique en utilisant les termes "ASCII US" et "ASCII UK".
Comme Linux est écrit sur du matériel conçu pour les États-Unis, il supporte l'ASCII US de manière native.

L'ISO 8859 est une série de 10 jeux de caractères 8 bits, contenant l'ASCII US 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 ([NDT] notamment pour nous !) est l'ISO 8859-1 (Latin-1). Il est supporté de manière native par le gestionnaire de console Linux, assez bien supporté par X11R6, et c'est le jeu de caractères de base pour l'HTML.
Le support 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 la plupart des langues d'Europe de l'Ouest, comme l'albanais, l'allemand, l'anglais, le catalan, le danois, l'espagnol, le férovingien, le finnois, le français, le gallois, le néerlandais, l'irlandais, l'islandais, l'italien, le norvégien, le portugais et le suédois. Le manque de liaison entre les "ij" néerlandais, entre les "oe" français, et l'absence des anciens guillemets ,,allemands`` est tolérable.

8859-2 (Latin-2)

Le Latin-2 contient la plupart des langues slaves d'Europe de l'Est utilisant l'alphabet latin : allemand, croate, hongrois, polonais, roumain, slovaque, slovénien et tchèque.

8859-3 (Latin-3)

Le Latin-3 est utilisé pour les textes en esperanto, galois, maltais et turc.

8859-4 (Latin-4)

Le Latin-4 introduit des lettres pour l'estonien et le lituanien. Il est presque obsolète, remplacé par 8859-10 (Latin-6).

8859-5

L'alphabet cyrillique est utilisé en bulgare, biélorusse, macédonien, russe, serbe et ukrainien. Les Ukrainiens prononcent la lettre `ghe' fermée, comme `heh' et aurait besoin d'un accent pour distinguer le `ghe' correct. Voir les remarques concernant le KOI8-R ci-dessous.

8859-6

Supporte l'arabe. La table 8859-6 est une police de caractères de largeur fixe, mais un affichage correct doit combiner les lettres en utilisant leurs formes initiale, centrale et finale.

8859-7

Supporte le grec moderne.

8859-8

Supporte l'hébreu.

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 ajoute les dernières lettres inuit (Groënland) et sami (lappon) qui manquaient dans le Latin 4 pour couvrir toute la zone nordique. La RFC 1345 indique un latin 6 plus ancien et différent. Le sami nécessite en réalité plus d'accents que ceux proposés.

8859-11

Ceci n'existe qu'en tant que proposition rejetée. Il s'agit d'une version identique au TIS-620, utilisé sous Linux pour le thaï.

8859-12

Ce jeu n'existe pas. On a proposé de l'utiliser pour le vietnamien, mais il ne tient pas dans les 96 caractères (sans combinaisons) offerts par l'ISO 8850. L'UTF-8 est le jeu de caractère préféré pour l'utilisation du vietnamien sous Linux.

8859-13 (Latin-7)

Supporte les langues baltiques, en particulier les caractères lituaniens absents du Latin-4.

8859-14 (Latin-8)

Jeu de caractères celtique, couvrant le gaëlique et le gallois. Ce jeu contient les caractères pointés nécessaires pour l'irlandais ancien.

8859-15 (Latin-9)

Dans ce jeu se trouvent le symbole euro et les ligatures françaises qui manquaient dans le Latin-1.

8859-16 (Latin-10)

Ce jeu recouvre la plupart des langues du 8859-2, et supporte mieux le Roumain.

Le KOI8-R est un jeu de caractères non-ISO très répandu en Russie. La première moitié correspond à l'ASCII US, la seconde est un jeu de caractère cyrillique un peu mieux conçu que l'ISO 8859-5. Le KOI8-U est un jeu commun, basé sur le KOI8-R, qui a un meilleur support pour l'ukrainien. Aucun de ces jeux n'est compatible avec l'ISO-2022, contrairement à l'ISO-8859.
Le support console du KOI8-R 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.

JIS X 0208 est un jeu de caractères standard japonais. Bien qu'il y ait plusieurs jeux de caractères standard japonais, (comme JIS X 0201, JIS X 0212, et JIS X 0213), celui-ci est le plus important. Les caractères sont projetés dans une matrice de deux octets 94x94, dont chaque octet est dans l'intervalle x21-0x7E. Notez que JIS X 0208 est un jeu de caractères, pas un encodage. Ceci 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 US 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 est un jeu de caractères standard coréen. Comme dans le JIS X 0208, les caractères sont projetés dans une matric 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 US et le KS X 1001. KS C 5601 est un ancien nom pour le KS X 1001.

GB 2312 est le principal jeu de caractères chinois, 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 US et le GB 2312. Notez que l'EUC-CN est souvent appelé GB, GB 2312 ou CN-GB.

Big5 est 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 sont largement utilisés à Taiwan et Hong-Kong. Il n'est pas compatible ISO 2022.

Le TIS 620 est un jeu de caractère standard thaï, et un sur-ensemble de l'ASCII US. Comme la série des ISO 8859, les caractères thaÏs sont projetés dans l'intervalle 0xA1-0xFE. Le TIS 620 est le seul jeu de caractères couramment utilisé sous Linux, hormis l'UTF-8, avec des caractères combinés.

L'Unicode (ISO 10646) est un standard destiné 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, l'encodage Unicode interne est sur 32 bits, et en externe sur des séries d'entiers 16 bits (UTF-16) (qui ne nécessite deux entiers 16 bits que pour des caractères rares) ou une série d'octets 8 bits (UTF-8). Des informations supplémentaires sur l'Unicode sont disponibles sur <http://www.unicode.org>.
Linux représente l'Unicode en utilisant le format de transfert sur 8 bits (UTF-8). L'UTF-8 est un codage 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,x des bits à 0, à 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 le codage, 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 coder les 31 bits de l'ISO 10646 cette progression continue jusqu'à des codes sur 6 octets.
Pour les utilisateurs de l'ISO-8859-1, ceci signifie que les caractères avec le bit de poids fort à 1 sont désormais codés sur deux octets. Ceci tend à allonger les fichiers de texte ordinaires de 1 à 2 pour cent ([NDT] Dans quelle langue ? Il y a plus d'un à deux pour cent de caractères accentués en français !). Il n'y a pas de problèmes de conversion néanmoins, car les symboles Unicode correspondant aux caractères ISO-8859-1 conservent les mêmes valeurs (étendues avec 8 bits à zéro en tête). Pour les utilisateurs japonais, ceci signifie que les codes sur 16 bits couramment employés prendront désormais 3 octets, et que les tables de transcodage devront être étendues. D'ailleurs de nombreux japonais préfèrent le standard ISO 2022.
Remarquez que l'UTF-8 se synchronise automatiquement : 10xxxxxx est le corps ou 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 de caractères NULs ou '/' pour introduire un code étendu.
Comme l'ASCII, et en particulier NUL et '/', ne sont pas 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. Ceci signifie qu'en mode UTF-8, on peut utiliser le jeu de caractères japonais avec 512 symboles différents. Ce n'est pas assez pour le japonais, le chinois ou le coréen, mais c'est généralement suffisant pour toutes les autres utilisations.

Les standards ISO 2022 et 4873 décrivent un modèle de contrôle des fontes basé sur le fonctionnement du VT100. Ce modèle est (partiellement) supporté par le noyau Linux et xterm(1). Il est assez populaire au Japon et en Corée.
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 séquences ^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 séquence 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 du standard 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 standard UK (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 séquence 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 multi-octets est désigné comme jeu Gn par une séquence 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.

console(4), console_ioctl(4), console_codes(4), ascii(7), iso_8859_1(7), unicode(7), utf-8(7)

Christophe Blaess, 1996-2003.