unicode(7) Miscellaneous Information Manual unicode(7) NOM Unicode - Jeu de caracteres universel DESCRIPTION La norme internationale ISO/IEC 10646 definit le jeu de caracteres universel (UCS). UCS contient tous les caracteres de tous les autres normes de jeux de caracteres. Il garantit egalement une << compatibilite circulaire >>, ce qui signifie que les tables de conversions peuvent etre construites de maniere a ne perdre aucune information quand une chaine de caracteres est convertie dans un autre encodage, puis reconvertie en sens inverse. UCS contient les caracteres necessaires pour representer presque toutes les langues connues. Il inclut non seulement les alphabets latin, grec, cyrillique, hebreu, arabe, armenien et georgien, mais egalement les ideogrammes chinois, japonais, sino-coreens et les ecritures : hiragana, katakana, hangul, devanagari, bengali, gourmoukhi, goudjarati, oriya, tamoul, telougou, kannara, malayalam, thai, laotien, khmer, bopomofo, tibetain, runes, ethiopien, syllabaires canadiens, cheroki, mongol, ogam, birman, cingalais, thana, yi, et d'autres. Pour les ecritures qui n'ont pas encore ete integrees, des recherches sont en cours pour optimiser l'encodage et elles seront probablement ajoutees. Cela inclut non seulement des hieroglyphes et des langues indo-europeennes historiques, mais aussi des ecritures artistiques comme les tengwar de Feanor, les cirth ou le klingon. UCS contient egalement un grand nombre de symboles graphiques, typographiques, mathematiques et scientifiques comme ceux fournis par TeX, PostScript, APL, MS-DOS, MS-Windows, Macintosh, les polices OCR et par de nombreux traitements de texte et systemes d'edition, et de plus en plus sont ajoutes. La norme UCS (ISO/IEC 10646) decrit un jeu de caracteres sur 31 bits, constitue de 128 groupes sur 24 bits, chacun d'eux divises en 256 plans sur 16 bits, composes de 256 rangees de 8 bits, avec 256 positions en colonne contenant chacune un caractere. La premiere partie de la norme (ISO/IEC 10646-1) definit les 65 534 premiers codes (0x0000 a 0xFFFD) qui forment le plan multilingue de base (PMB), c'est-a-dire le plan 0 du groupe 0. La partie 2 de la norme (ISO/IEC 10646-2) ajoute des caracteres au groupe 0 en dehors du PMB, dans plusieurs plans supplementaires de l'espace 0x10000 a 0x10ffff. On ne prevoit pas d'ajouter a la norme des caracteres au-dela de 0x10ffff. Ainsi sur l'ensemble de l'espace disponible, une faible fraction du groupe 0 ne sera effectivement utilisee dans un futur proche. Le PMB contient tous les caracteres des jeux habituels. Les plans supplementaires ajoutes par ISO/IEC 10646-2 ne contiennent que des caracteres exotiques pour des notations scientifiques speciales, des impressions de dictionnaires, l'industrie de l'impression, des protocoles de plus haut niveau et les besoins de quelques enthousiastes. La representation des caracteres UCS sur des mots de 2 octets est appelee UCS-2 (seulement pour les caracteres du BMP), alors que UCS-4 est la representation des caracteres par un mot de 4 octets. De plus, il existe deux formes d'encodage : UTF-8 pour la retrocompatibilite avec les logiciels traitant l'ASCII et UTF-16 pour la gestion retrocompatible des caracteres non PMB jusqu'a 0x10ffff par des logiciels UCS-2. Les caracteres UCS 0x0000 a 0x007f sont identiques a ceux du jeu classique US-ASCII, et ceux de l'intervalle 0x0000 a 0x00ff sont identiques a ceux du jeu de caracteres ISO/IEC 8859-1 (latin-1). Caracteres composes Quelques codes de l'UCS ont ete assignes a des caracteres composes. Ils sont semblables aux touches mortes d'accents sur les machines a ecrire. Un caractere compose ajoute simplement un accent sur le caractere precedent. Les caracteres accentues les plus importants ont leur propre code dans l'UCS. Cependant, le mecanisme des caracteres composes permet d'ajouter des accents ou des signes diacritiques sur n'importe quel caractere de base. Les caracteres composes suivent toujours le caractere qu'ils modifient. Par exemple, le caractere << A >> (lettre majuscule latine A accent grave) peut etre represente soit par le code UCS precompose 0x00C0, soit par la combinaison d'un A majuscule normal, suivi d'un << diacritique accent grave >>, 0x0041 0x0308. Les caracteres composes sont essentiels par exemple pour l'encodage de l'ecriture thaie ou pour les notations mathematiques et l'alphabet phonetique international. Niveaux d'implementation Comme tous les systemes ne sont pas censes gerer les mecanismes avances comme les caracteres composes, ISO/IEC 10646-1 specifie les trois niveaux d'implementation suivants pour l'UCS : Niveau 1 Les caracteres composes et les caracteres jamos hangul (un encodage special de l'ecriture coreenne, ou les glyphes de syllabes hangul sont encodes par 2 ou 3 codes de voyelle ou consonne) ne sont pas pris en charge. Niveau 2 Outre le niveau 1, les caracteres composes sont maintenant permis pour certaines langues ou ils sont essentiels (par exemple, le thai, le laotien, l'hebreu, l'arabe, le devanagari ou le malayalam). Niveau 3 Tous les caracteres UCS sont geres. La norme Unicode 3.0 publiee par le Consortium Unicode contient exactement le plan multilingue de base UCS au niveau 3 de l'implementation, comme decrit dans la norme ISO/IEC 10646-1:2000. Unicode 3.1 ajoute les plans supplementaires de l'ISO/IEC 10646-2. La norme Unicode et les rapports techniques publies par le Consortium Unicode fournissent beaucoup de renseignements supplementaires sur la semantique et les recommandations d'utilisation de nombreux caracteres. Elles fournissent des guides et des algorithmes pour editer, trier, comparer, normaliser, convertir et afficher des chaines Unicode. Unicode sous Linux Sous GNU/Linux, le type C wchar_t est un entier 32 bits signe, et sa valeur est toujours interpretee par la bibliotheque C comme un code UCS (dans tous les parametres regionaux), une convention signalee par la bibliotheque C de GNU pour les applications en definissant la constante __STDC_ISO_10646__ comme indiquee dans la norme ISO C99. L'UCS/Unicode peut etre employe comme l'ASCII dans les flux d'entree-sortie, les communications avec les terminaux, les fichiers textes, les noms de fichier et les variables d'environnement dans un encodage multioctet UTF-8 compatible ASCII. Pour signaler l'utilisation de l'UTF-8 comme encodage pour toutes les applications, des parametres regionaux (locale) adequats doivent etre configures dans les variables d'environnement (par exemple, << LANG=fr_FR.UTF-8 >>). La fonction nl_langinfo(CODESET) renvoie le nom de l'encodage selectionne. Les fonctions de bibliotheque comme wctomb(3) et mbsrtowcs(3) peuvent etre utilisees pour transformer les caracteres internes wchar_t et les chaines dans le jeu de caracteres du systeme et inversement. La fonction wcwidth(3) indique de combien de positions (0-2) le curseur a ete avance en affichant un caractere. Zone d'utilisation privee (PUA ou << Private Use Areas >>) L'intervalle entre 0xe000 et 0xf8ff du plan multilingue de base (<< Basic Multilingual Plane >>) ne sera jamais assigne a aucun caractere par la norme et est reserve pour une utilisation privee. Pour la communaute Linux, cette zone privee a ete divisee en deux. L'intervalle entre 0xe000 et 0xefff peut etre utilise individuellement par n'importe quel utilisateur final. L'intervalle s'etendant de 0xf000 a 0xf8ff est reserve a Linux et les extensions y sont coordonnees entre les divers utilisateurs de Linux. L'enregistrement des caracteres assignes a la zone Linux est maintenu par LANANA et le registre lui-meme est disponible dans les sources du noyau Linux sous Documentation/admin-guide/unicode.rst (ou Documentation/unicode.txt avant Linux 4.10). Deux autres plans sont reserves a un usage prive. Le plan 15 (zone d'utilisation privee supplementaire PUA-A, intervalle 0xf0000-0xffffd) et le plan 16 (zone d'utilisation privee PUA-B, intervalle 0x100000-0x10fffd). Litterature - Information technology -- Universal Multiple-Octet Coded Character Set (UCS) -- Part 1: Architecture and Basic Multilingual Plane. International Standard ISO/IEC 10646-1, International Organization for Standardization, Geneva, 2000. Il s'agit des specifications officielles de l'UCS. Disponible sur . - The Unicode Standard, Version 3.0. The Unicode Consortium, Addison-Wesley, Reading, MA, 2000, ISBN 0-201-61633-5. - S. Harbison, G. Steele. C : A Reference Manual. Quatrieme edition, Prentice Hall, Englewood Cliffs, 1995, ISBN 0-13-326224-3. Un bon livre de reference sur le langage de programmation C. La quatrieme edition couvre maintenant l'amendement 1 de 1994 a la norme ISO C90, qui ajoute un grand nombre de fonctions de bibliotheque C pour manipuler les jeux de caracteres larges et multioctets, mais ne couvre pas encore l'ISO C99, qui ameliore encore plus la gestion des caracteres larges et multioctets. - Unicode Technical Reports. - Markus Kuhn : UTF-8 and Unicode FAQ for UNIX/Linux. - Bruno Haible : Unicode HOWTO. VOIR AUSSI locale(1), setlocale(3), charsets(7), utf-8(7) TRADUCTION La traduction francaise de cette page de manuel a ete creee par Christophe Blaess , Stephan Rafin , Thierry Vignaud , Francois Micaux, Alain Portal , Jean-Philippe Guerard , Jean-Luc Coulon (f5ibh) , Julien Cristau , Thomas Huriaux , Nicolas Francois , Florentin Duneau , Simon Paillard , Denis Barbier , David Prevot et Gregoire Scano Cette traduction est une documentation libre ; veuillez vous reporter a la GNU General Public License version 3 concernant les conditions de copie et de distribution. Il n'y a aucune RESPONSABILITE LEGALE. Si vous decouvrez un bogue dans la traduction de cette page de manuel, veuillez envoyer un message a . Pages du manuel de Linux 6.9.1 2 mai 2024 unicode(7)