charsets(7)            Miscellaneous Information Manual            charsets(7)

NUME
       charsets - standarde de seturi de caractere <?>i interna<?>ionalizare

DESCRIERE
       Aceasta pagina de manual ofera o prezentare generala a diferitelor
       standarde de seturi de caractere <?>i a modului in care acestea erau
       utilizate in Linux inainte ca Unicode sa devina omniprezent.  Unele
       dintre aceste informa<?>ii sunt inca utile pentru persoanele care
       lucreaza cu sisteme <?>i documente vechi.

       Printre standardele discutate se numara ASCII, GB 2312, ISO/IEC 8859,
       JIS, KOI8-R, KS <?>i Unicode.

       Accentul principal este pus pe seturile de caractere care au fost
       utilizate efectiv de seturile de caractere locale, nu pe nenumarate
       altele care ar putea fi gasite in datele din alte sisteme.

   ASCII
       ASCII (American Standard Code For Information Interchange) este setul
       original de caractere pe 7 bi<?>i, conceput ini<?>ial pentru limba
       engleza americana. Cunoscut <?>i sub numele de US-ASCII. In prezent,
       este descris de standardul ISO/IEC 646:1991 IRV (International
       Reference Version).

       Diferite variante ASCII care inlocuiesc simbolul dolarului cu alte
       simboluri monetare <?>i care inlocuiesc semnele de punctua<?>ie cu
       caractere alfabetice non-engleze<?>ti pentru a acoperi limbile germana,
       franceza, spaniola <?>i alte limbi aparute in 7 bi<?>i.  Toate acestea
       sunt depreciate; glibc nu accepta localizari ale caror seturi de
       caractere nu sunt adevarate superseturi ale ASCII.

       Deoarece Unicode, atunci cand se utilizeaza UTF-8, este compatibil cu
       ASCII, textul ASCII simplu continua sa fie redat corect pe sistemele
       moderne care utilizeaza UTF-8.

   ISO/IEC 8859
       ISO/IEC 8859 este o serie de 15 seturi de caractere pe 8 bi<?>i, toate
       avand ASCII in jumatatea lor inferioara (7 bi<?>i), caractere de
       control invizibile in pozi<?>iile 128-159 <?>i 96 de caractere grafice
       cu la<?>ime fixa in pozi<?>iile 160-255.

       Dintre acestea, cea mai importanta este ISO/IEC 8859-1 (,,Alfabetul
       latin nr. 1" / Latin-1).  Acesta a fost adoptat <?>i sus<?>inut pe
       scara larga de diferite sisteme <?>i este inlocuit treptat cu Unicode.
       Caracterele ISO/IEC 8859-1 sunt, de asemenea, primele 256 de caractere
       din Unicode.

       Suportul de consola pentru celelalte seturi de caractere ISO/IEC 8859
       este disponibil in Linux prin intermediul utilita<?>ilor din modul
       utilizator (cum ar fi setfont(8)) care modifica asocierile de tastatura
       <?>i tabelul grafic EGA <?>i utilizeaza tabelul de fonturi ,,user
       mapping" (asocierile facute de utilizator) in controlorul de consola.

       Iata o scurta descriere a fiecarui set de caractere:

       ISO/IEC 8859-1 (Latin-1)
              Latin-1 acopera multe limbi europene, cum ar fi albaneza, basca,
              daneza, engleza, feroeza, galleza, islandeza, irlandeza,
              italiana, norvegiana, portugheza, spaniola <?>i suedeza. Lipsa
              ligaturilor olandeza IJ/ij, franceza oe <?>i a ghilimelelor
              ,,germane" a fost considerata tolerabila.

       ISO/IEC 8859-2 (Latin-2)
              Latin-2 accepta multe limbi din Europa Centrala <?>i de Est
              scrise in latina, cum ar fi bosniaca, croata, ceha, germana,
              maghiara, poloneza, slovaca <?>i slovena.  Inlocuirea literei
              romane<?>ti <?>/<?> cu <?>/<?> a fost considerata tolerabila.

       ISO/IEC 8859-3 (Latin-3)
              Latin-3 a fost conceput pentru a acoperi esperanto, malteza <?>i
              turca, dar ISO/IEC 8859-9 l-a inlocuit mai tarziu pentru turca.

       ISO/IEC 8859-4 (Latin-4)
              Latin-4 a introdus litere pentru limbile nord-europene, cum ar
              fi estona, letona <?>i lituaniana, dar a fost inlocuit de
              ISO/IEC 8859-10 <?>i ISO/IEC 8859-13.

       ISO/IEC 8859-5
              Litere chirilice care sunt utilizate in limba bulgara,
              bielorusa, macedoneana, rusa, sarba <?>i (aproape in totalitate)
              ucraineana. Nu a fost niciodata folosit pe scara larga, a se
              vedea discu<?>ia despre KOI8-R/KOI8-U de mai jos.

       ISO/IEC 8859-6
              A fost creat pentru limba araba. Tabelul de glife ISO/IEC 8859-6
              este un font fix de forme de litere separate, dar un motor de
              afi<?>are adecvat ar trebui sa le combine folosind formele
              ini<?>iale, medii <?>i finale adecvate.

       ISO/IEC 8859-7
              A fost creat pentru greaca moderna in 1987, <?>i actualizat in
              2003.

       ISO/IEC 8859-8
              Accepta ebraica moderna fara niqud (semne de punctua<?>ie).
              Niqud <?>i ebraica biblica in asamblu erau in afara domeniului
              de aplicare al acestui set de caractere.

       ISO/IEC 8859-9 (Latin-5)
              Aceasta este o varianta a Latin-1 care inlocuie<?>te literele
              islandeze cu cele turce<?>ti.

       ISO/IEC 8859-10 (Latin-6)
              Latin-6 a adaugat literele Inuit (groenlandeza) <?>i Sami
              (lapona), care lipseau in Latin-4, pentru a acoperi intreaga
              zona nordica.

       ISO/IEC 8859-11
              Suporta alfabetul thailandez <?>i este aproape identic cu
              standardul TIS-620.

       ISO/IEC 8859-12
              Acest set de caractere nu exista.

       ISO/IEC 8859-13 (Latin-7)
              Suporta limbile din bazinul baltic; in special, include
              caractere letone care nu se gasesc in Latin-4.

       ISO/IEC 8859-14 (Latin-8)
              Acesta este setul de caractere celtice, care acopera limbile
              irlandeza veche, manxa, gaelica, galeza, galeza, corni<?>a <?>i
              bretona.

       ISO/IEC 8859-15 (Latin-9)
              Latin-9 este similar cu Latin-1, folosit pe scara larga, dar
              inlocuie<?>te unele simboluri mai pu<?>in obi<?>nuite cu semnul
              euro <?>i literele franceze <?>i finlandeze care lipseau in
              Latin-1.

       ISO/IEC 8859-16 (Latin-10)
              Acest set acopera mai multe limbi din sud-estul Europei <?>i,
              cel mai important, asigura un suport mai complet pentru limba
              romana decat Latin-2.

   KOI8-R / KOI8-U
       KOI8-R este un set de caractere non-ISO popular in Rusia inainte de
       Unicode. Jumatatea inferioara este ASCII, iar cea superioara este un
       set de caractere chirilice ceva mai bine conceput decat ISO/IEC 8859-5.
       KOI8-U, bazat pe KOI8-R, are un suport mai bun pentru ucraineana. Nici
       unul dintre aceste seturi nu este compatibil cu ISO/IEC 2022, spre
       deosebire de seria ISO/IEC 8859.

       Suportul de consola pentru KOI8-R este disponibil in Linux prin
       intermediul utilita<?>ilor in modul utilizator care modifica asocierile
       de tastatura <?>i tabelul grafic EGA <?>i utilizeaza tabelul de fonturi
       ,,user mapping" (asocierile facute de utilizator) in controlorul de
       consola.

   GB 2312
       GB 2312 este un set de caractere standard na<?>ional din China
       continentala utilizat pentru a exprima chineza simplificata.  La fel ca
       in cazul JIS X 0208, caracterele sunt transpuse intr-o matrice de doi
       octe<?>i de 94x94 utilizata pentru a construi EUC-CN.  EUC-CN este cea
       mai importanta codificare pentru Linux <?>i include ASCII <?>i GB 2312.
       Re<?>ine<?>i ca EUC-CN este adesea numit GB, GB 2312 sau CN-GB.

   Big5
       Big5 a fost un set de caractere popular in Taiwan pentru a exprima
       chineza tradi<?>ionala (Big5 este atat un set de caractere, cat <?>i o
       codificare)  Este un superset al ASCII. Caracterele non-ASCII sunt
       exprimate in doi octe<?>i. Octe<?>ii 0xa1-0xfe sunt utiliza<?>i ca
       octe<?>i de inceput pentru caracterele de doi octe<?>i. Big5 <?>i
       extensia sa au fost utilizate pe scara larga in Taiwan <?>i Hong Kong.
       Nu este compatibil cu ISO/IEC 2022.

   JIS X 0208
       JIS X 0208 este un set de caractere standard na<?>ional japonez. De<?>i
       exista mai multe seturi de caractere standard na<?>ionale japoneze (cum
       ar fi JIS X 0201, JIS X 0212 <?>i JIS X 0213), acesta este cel mai
       important. Caracterele sunt transpuse intr-o matrice 94x94 de doi
       octe<?>i, fiecare octet fiind cuprins in intervalul 0x21-0x7e.
       Re<?>ine<?>i ca JIS X 0208 este un set de caractere, nu o codificare.
       Aceasta inseamna ca JIS X 0208 nu este utilizat pentru a exprima date
       text. JIS X 0208 este utilizat ca o componenta pentru a construi
       codificari precum EUC-JP, Shift_JIS <?>i ISO/IEC 2022-JP. EUC-JP este
       cea mai importanta codificare pentru Linux <?>i include ASCII <?>i JIS
       X 0208. In EUC-JP, caracterele JIS X 0208 sunt exprimate in doi
       octe<?>i, fiecare dintre ace<?>tia fiind codul JIS X 0208 plus 0x80.

   KS X 1001
       KS X 1001 este un set de caractere standard na<?>ional coreean. La fel
       ca <?>i in JIS X 0208, caracterele sunt transpuse intr-o matrice de doi
       octe<?>i de 94x94. KS X 1001 este utilizat, ca <?>i JIS X 0208, ca o
       componenta pentru a construi codificari precum EUC-KR, Johab <?>i
       ISO/IEC 2022-KR.  EUC-KR este cea mai importanta codificare pentru
       Linux <?>i include ASCII <?>i KS X 1001. KS C 5601 este un nume mai
       vechi pentru KS X 1001.

   ISO/IEC 2022 <?>i ISO/IEC 4873
       Standardele ISO/IEC 2022 <?>i ISO/IEC 4873 descriu un model de control
       al fonturilor bazat pe practica VT100. Acest model este (par<?>ial)
       acceptat de nucleul Linux <?>i de xterm(1). Au fost definite mai multe
       codificari de caractere bazate pe ISO/IEC 2022, in special pentru
       japoneza.

       Exista 4 seturi de caractere grafice, denumite G0, G1, G2 <?>i G3, iar
       unul dintre acestea este setul de caractere curent pentru codurile cu
       bitul mare zero (ini<?>ial G0) <?>i unul dintre ele este setul de
       caractere curent pentru codurile cu bitul mare unu (ini<?>ial G1).
       Fiecare set de caractere grafice are 94 sau 96 de caractere <?>i este,
       in esen<?>a, un set de caractere pe 7 bi<?>i.  Acesta utilizeaza
       codurile 040-0177 (041-0176) sau 0240-0377 (0241-0376).  G0 are
       intotdeauna dimensiunea 94 <?>i utilizeaza codurile 041-0176.

       Trecerea de la un set de caractere la altul se face cu ajutorul
       func<?>iilor de deplasare ^N (SO sau LS1), ^O (SI sau LS0), ESC n
       (LS2), ESC o (LS3), ESC N (SS2), ESC O (SS3), ESC ~ (LS1R), ESC }
       (LS2R), ESC | (LS3R).  Func<?>ia LSn face ca setul de caractere Gn sa
       fie cel curent pentru codurile cu bitul mare zero.  Func<?>ia LSnR face
       ca setul de caractere Gn sa fie cel curent pentru codurile cu bitul 1
       mare.  Func<?>ia SSn face ca setul de caractere Gn (n=2 sau 3) sa fie
       cel curent numai pentru urmatorul caracter (indiferent de valoarea
       bitului de ordin inalt al acestuia).

       Un set de 94 de caractere este desemnat ca set de caractere Gn printr-o
       secven<?>a de eludare ESC ( xx (pentru G0), ESC ) xx (pentru G1), ESC *
       xx (pentru G2), ESC + xx (pentru G3), unde xx este un simbol sau o
       pereche de simboluri din Registrul interna<?>ional al seturilor de
       caractere codificate ISO/IEC 2375. De exemplu, ESC ( @ selecteaza setul
       de caractere ISO/IEC 646 ca G0, ESC ( A selecteaza setul de caractere
       standard din Marea Britanie (cu lira sterlina in loc de simbolul
       monetar), ESC ( B selecteaza ASCII (cu dolarul in loc de simbolul
       monetar), ESC ( M selecteaza un set de caractere pentru limbile
       africane, ESC ( ! A selecteaza setul de caractere cubanez, <?>i a<?>a
       mai departe.

       Un set de 96 de caractere este desemnat ca set de caractere Gn printr-o
       secven<?>a de eludare ESC - xx (pentru G1), ESC . xx (pentru G2) sau
       ESC / xx (pentru G3).  De exemplu, ESC - G selecteaza alfabetul ebraic
       ca fiind G1.

       Un set de caractere multiocte<?>i este desemnat ca set de caractere Gn
       printr-o secven<?>a de eludare ESC $ xx sau ESC $ ( xx (pentru G0), ESC
       $ ) xx (pentru G1), ESC $ * xx (pentru G2), ESC $ + xx (pentru G3).  De
       exemplu, ESC $ ( C selecteaza setul de caractere coreene pentru G0.
       Setul de caractere japoneze selectat prin ESC $ B are o versiune mai
       recenta selectata prin ESC & @ ESC $ B.

       ISO/IEC 4873 stipuleaza o utilizare mai restransa a seturilor de
       caractere, in care G0 este fix (intotdeauna ASCII), astfel incat G1, G2
       <?>i G3 pot fi invocate numai pentru codurile cu bitul de ordin inalt
       activat. In special, ^N <?>i ^O nu mai sunt utilizate, ESC ( xx poate
       fi utilizat numai cu xx=B, iar ESC ) xx, ESC * xx, ESC + xx sunt
       echivalente cu ESC - xx, ESC . xx, ESC / xx, respectiv ESC / xx.

   TIS-620
       TIS-620 este un set de caractere standard na<?>ional thailandez <?>i un
       superset al ASCII. In acela<?>i mod ca <?>i in cazul seriei
       ISO/IEC 8859, caracterele thailandeze sunt transpuse in intervalul
       0xa1-0xfe.

   Unicode
       Unicode (ISO/IEC 10646) este un standard care are ca scop reprezentarea
       fara ambiguitate a fiecarui caracter din fiecare limba umana.
       Structura Unicode permite codificarea fiecarui caracter pe 20,1 bi<?>i.
       Deoarece majoritatea calculatoarelor nu includ numere intregi pe 20,1
       bi<?>i, Unicode este de obicei codificat ca numere intregi pe 32 de
       bi<?>i la nivel intern <?>i fie ca o serie de numere intregi pe 16
       bi<?>i (UTF-16) (avand nevoie de doua serii de numere intregi pe 16
       bi<?>i doar la codificarea anumitor caractere rare), fie ca o serie de
       octe<?>i pe 8 bi<?>i (UTF-8).

       Linux reprezinta Unicode utilizand formatul de transformare Unicode pe
       8 bi<?>i (UTF-8).  UTF-8 este o codificare cu lungime variabila a
       Unicode.  Acesta utilizeaza 1 octet pentru a codifica 7 bi<?>i, 2
       octe<?>i pentru 11 bi<?>i, 3 octe<?>i pentru 16 bi<?>i, 4 octe<?>i
       pentru 21 de bi<?>i, 5 octe<?>i pentru 26 de bi<?>i, 6 octe<?>i pentru
       31 de bi<?>i.

       Fie ca 0,1,x reprezinta un zero, unu sau un bit arbitrar.  Un octet
       0xxxxxxx reprezinta Unicode 00000000 0xxxxxxx, care codifica acela<?>i
       simbol ca <?>i ASCII 0xxxxxxx.  Astfel, ASCII ramane neschimbat in
       UTF-8, iar persoanele care folosesc doar ASCII nu observa nicio
       schimbare: nici in cod, nici in dimensiunea fi<?>ierului.

       Un octet 110xxxxx este inceputul unui cod de 2 octe<?>i, iar 110xxxxx
       10yyyyyyyy este asamblat in 00000xxx xxyyyyyyy.  Un octet 1110xxxx
       reprezinta inceputul unui cod de 3 octe<?>i, iar 1110xxxx 10yyyyyyyyyy
       10zzzzzzzz este asamblat in xxxxyyyyyy yyzzzzzzzzzz.  (Atunci cand se
       utilizeaza UTF-8 pentru a codifica ISO/IEC 10646 pe 31 de bi<?>i,
       aceasta progresie continua pana la coduri de 6 octe<?>i).

       Pentru majoritatea textelor din seturile de caractere ISO 8859, acest
       lucru inseamna ca toate caracterele din afara ASCII sunt acum
       codificate cu doi octe<?>i. Acest lucru tinde sa extinda fi<?>ierele de
       text obi<?>nuite cu doar unul sau doua procente. In cazul textelor in
       rusa sau greaca, fi<?>ierele de text obi<?>nuite se maresc cu 100%,
       deoarece textele din aceste limbi sunt in mare parte in afara ASCII.
       Pentru utilizatorii japonezi, acest lucru inseamna ca codurile pe 16
       bi<?>i utilizate in prezent in mod obi<?>nuit vor necesita trei
       octe<?>i. De<?>i exista conversii algoritmice de la unele seturi de
       caractere (in special ISO/IEC 8859-1) la Unicode, conversia generala
       necesita utilizarea unor tabele de conversie, care pot fi destul de
       mari pentru codurile pe 16 bi<?>i.

       Re<?>ine<?>i ca UTF-8 se autosincronizeaza: 10xxxxxx este o coada,
       orice alt octet este capul unui cod.  Re<?>ine<?>i ca singurul mod in
       care apar octe<?>i ASCII intr-un flux UTF-8 este ca atare.  In special,
       nu exista NUL-uri incorporate ('\0') sau '/'s care fac parte dintr-un
       cod mai mare.

       Deoarece ASCII <?>i, in special, NUL <?>i '/', sunt neschimbate,
       nucleul nu observa ca se utilizeaza UTF-8.  Nu-i pasa deloc ce
       reprezinta octe<?>ii pe care ii manipuleaza.

       Redarea fluxurilor de date Unicode este de obicei gestionata prin
       intermediul tabelelor de "subfonturi" care transpun un subset de
       Unicode in glife.  La nivel intern, nucleul utilizeaza Unicode pentru a
       descrie subfontul incarcat in memoria RAM video.  Acest lucru inseamna
       ca in consola Linux in modul UTF-8 se poate utiliza un set de caractere
       cu 512 simboluri diferite.  Acest lucru nu este suficient pentru
       japoneza, chineza <?>i coreeana, dar este suficient pentru majoritatea
       celorlalte scopuri.

CONSULTA<?>I <?>I
       iconv(1), ascii(7), iso_8859-1(7), unicode(7), utf-8(7)

TRADUCERE
       Traducerea in limba romana a acestui manual a fost facuta de Remus-
       Gabriel Chelu <remusgabriel.chelu@disroot.org>

       Aceasta traducere este documenta<?>ie gratuita; citi<?>i Licen<?>a
       publica generala GNU Versiunea 3
       <https://www.gnu.org/licenses/gpl-3.0.html> sau o versiune ulterioara
       cu privire la condi<?>ii privind drepturile de autor.  NU se asuma
       NICIO RESPONSABILITATE.

       Daca gasi<?>i erori in traducerea acestui manual, va rugam sa
       trimite<?>i un e-mail la <translation-team-ro@lists.sourceforge.net>.

Pagini de manual de Linux 6.06 28 ianuarie 2024                    charsets(7)