File: utf-8.7

package info (click to toggle)
manpages-fr 0.9.3-1
  • links: PTS
  • area: main
  • in suites: woody
  • size: 7,052 kB
  • ctags: 4
  • sloc: makefile: 58; sh: 8
file content (298 lines) | stat: -rw-r--r-- 8,399 bytes parent folder | download
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
.\" Hey Emacs! This file is -*- nroff -*- source.
.\"
.\" Copyright (C) Markus Kuhn, 1996
.\"
.\" This is free documentation; you can redistribute it and/or
.\" modify it under the terms of the GNU General Public License as
.\" published by the Free Software Foundation; either version 2 of
.\" the License, or (at your option) any later version.
.\"
.\" The GNU General Public License's references to "object code"
.\" and "executables" are to be interpreted as the output of any
.\" document formatting or typesetting system, including
.\" intermediate and printed output.
.\"
.\" This manual is distributed in the hope that it will be useful,
.\" but WITHOUT ANY WARRANTY; without even the implied warranty of
.\" MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
.\" GNU General Public License for more details.
.\"
.\" You should have received a copy of the GNU General Public
.\" License along with this manual; if not, write to the Free
.\" Software Foundation, Inc., 675 Mass Ave, Cambridge, MA 02139,
.\" USA.
.\"
.\" 1995-11-26  Markus Kuhn <mskuhn@cip.informatik.uni-erlangen.de>
.\"      First version written
.\"
.\"
.\" Traduction 20/10/1996 par Christophe Blaess (ccb@club-internet.fr)
.\"
.\" Mise � jour 06/06/2001 - LDP-man-pages-1.37
.TH UTF-8 7 "6 juin 2001" Linux "Manuel de l'administrateur Linux" 
.SH NOM
UTF-8 \- Un encodage Unicode multi\-octet compatible ASCII.
.SH DESCRIPTION
Le jeu de caract�res
.B Unicode 3.0
(voir \fBunicode\fP(7)) est constitu� d'un codage sur 16 bits. 
L'encodage Unicode le plus �vident (connu sous le nom de
.BR UCS-2 )
consiste en une s�quence de mots de 16 bits. De telles cha�nes
peuvent contenir, comme fragments de caract�re 16 bits, des octets
comme '\\0' or '/' qui ont une signification particuli�re dans les noms
de fichiers, et les param�tres de fonctions de biblioth�que C.
De plus la majorit� des outils UNIX attendent des fichiers ASCII et
ne peuvent pas lire des caract�res repr�sent�s par des mots de 16 bits
sans subir des modifications majeures.

Pour ces raisons, 
.RB l' UCS-2
n'est pas un encodage externe de
.RB l' Unicode
utilisable dans les noms de fichiers, les variables d'environnement,
les fichiers textes, etc...
Le sur\-ensemble d'Unicode
.BR "ISO 10646 Universal Character Set (UCS)" ,
occupe m�me un espace de codage sur 31 bits, et l'encodage �vident
.B UCS-4
(une s�quence de mots sur 32 bits) a les m�mes inconv�nients.

L'encodage
.B UTF-8
de
.RB l' Unicode
et de
.RB l' UCS
n'a pas ces inconv�nients et est un moyen d'utiliser le jeu de
caract�res
.B Unicode
sous les syst�mes d'exploitation compatibles UNIX.
.SH PROPRI�T�S.
L'encodage
.B UTF-8 
a les propri�t�s suivantes :
.TP 0.2i
*
Les caract�res
.B UCS
0x00000000 � 0x0000007f (le jeu
.B US-ASCII
classique) sont encod�s simplement par les octets 0x00 � 0x7f (compatibilit� ASCII)
Ceci signifie que les fichiers et les cha�nes qui contiennent uniquement des
caract�res du jeu ASCII 7 bits ont exactement le m�me codage en
.B ASCII
et en
.BR UTF-8 .
.TP
*
Tous les caract�res
.B UCS
sup�rieurs � 0x7F sont encod�s en s�quences consistant uniquement
en octets dans l'intervalle 0x80 a 0xFD, ainsi aucun octet
ASCII n'appara�t en tant que partie d'un autre caract�re (plus
de probl�mes avec '\\0' ou '/').
.TP
*
L'ordre de tri lexicographique des cha�nes
.B UCS-4
est pr�serv�.
.TP
*
Tous les 2^31 caract�res de l'UCS peuvent �tre encod�s en utilisant
.BR UTF-8 .
.TP
*
Les octets 0xFE et 0xFF ne sont jamais utilis�s dans le codage
.BR UTF-8 .
.TP
* 
Le premier octet d'une s�quence multi\-octet repr�sentant un 
caract�re
.B UCS
non\-ASCII est toujours dans l'intervalle 0xC0 � 0xFD et indique la
longueur de la s�quence multi\-octets.
Tous les octets suivants de cette s�quence sont dans l'intervalle 0x80 � 0xBF.
Ceci permet une re-synchronisation ais�e et rend l'encodage robuste
face aux octets manquants.
.TP
*
Les caract�res
.B UTF-8
cod�s en
.B UCS
peuvent avoir jusqu'a 6 octets de longs, n�anmoins le standard
.B Unicode
ne pr�cise aucun caract�re au-del� de 0x10ffff, ainsi les caract�res
Unicode ne peuvent avoir que 4 octets de long avec
.BR UTF-8 .
.SH ENCODAGE
Les s�quences d'octets suivantes sont utilis�es pour repr�senter un
caract�re. Les s�quences utilis�es d�pendent du num�ro de code UCS
du caract�re :
.TP 0.4i
0x00000000 - 0x0000007F:
.RI 0 xxxxxxx
.TP
0x00000080 - 0x000007FF:
.RI 110 xxxxx 
.RI 10 xxxxxx
.TP
0x00000800 - 0x0000FFFF:
.RI 1110 xxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.TP
0x00010000 - 0x001FFFFF:
.RI 11110 xxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.TP
0x00200000 - 0x03FFFFFF:
.RI 111110 xx
.RI 10 xxxxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.TP
0x04000000 - 0x7FFFFFFF:
.RI 1111110 x
.RI 10 xxxxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.RI 10 xxxxxx
.PP
Les positions de bits
.I xxx
sont remplies avec les bits du num�ro de code du caract�re en
repr�sentation binaire. Seule la plus petite s�quence multi\-octets
permettant de repr�senter un num�ro de code doit �tre utilis�e.
.PP
Les codes
.B UCS
de valeur 0xd800\(en0xdfff (UTF-16) comme 0xfffe et 0xffff ne doivent
pas appara�tre dans un flux de donn�es
.BR UTF-8 .
.SH EXEMPLES
Le caract�re
.B Unicode
0xA9 = 1010 1001 (le symbole copyright) est encod�
en UTF-8 comme :
.PP
.RS
11000010 10101001 = 0xC2 0xA9
.RE
.PP
et le caract�re 0x2260 = 0010 0010 0110 0000 (Le symbole "non �gal") est encod� ainsi :
.PP
.RS
11100010 10001001 10100000 = 0xE2 0x89 0xA0
.RE
.SH NOTES APPLICATIVES
Les utilisateurs doivent s�lectionner une localisation
.BR UTF-8 ,
par exemple
.PP
.RS
export LANG=en_GB.UTF-8
.RE
.PP
afin d'active le support
.B UTF-8
dans les applications.
.PP
Les logiciels applicatifs qui doivent conna�tre l'encodage utilis� devrait
toujours fixer la localisation, par exemple
.PP
.RS
setlocale(LC_CTYPE, "")
.RE
.PP
et les programmeurs peuvent tester l'expression
.PP
.RS
strcmp(nl_langinfo(CODESET), "UTF-8") == 0
.RE
.PP
pour savoir si une localisation
.B UTF-8
a �t� s�lectionn�e, et si les entr�es-sorties de texte, les
communications avec les terminaux, le contenu des fichiers de texte, les noms
de fichiers et les variables d'environnement sont encod�s en
.BR UTF-8 .
.PP
Les programmeurs habitu�s aux jeux de caract�res mono-octet comme
.B US-ASCII
ou
.B ISO 8859
doivent savoir que deux suppositions valides jusque l� ne le sont plus
dans les localisation
.BR UTF-8 .
D'abord un octet seul ne correspond par n�cessairement � un unique caract�re.
Ensuite, comme les �mulateurs de terminaux modernes, en mode
.B UTF-8
supportent �galement les caract�res en
.B double-largeur
du Chinois, du Japonais ou du Cor�en, comme les 
.B caract�res combin�s
sans largeur, la sortie d'un unique caract�re ne fait pas avancer
obligatoirement le curseur d'une position comme c'�tait le cas en
.BR ASCII .
Les fonctions de biblioth�que comme
.BR mbsrtowcs (3)
et
.BR wcswidth (3)
doivent servir � pr�sent pour compter les caract�res et les positions de 
curseur.
.PP
La s�quence ESC officielle pour basculer d'un encodage
.B ISO 2022
(comme utilis� par exemple par les terminaux VT100) en
.B UTF-8
est ESC % G
("\\x1b%G"). La s�quence de retour depuis
.B UTF-8
est ISO 2022 est ESC % @ ("\\x1b%@"). D'autres s�quences ISO 2022 (comme
celle pour basculer entre les jeux G0 et G1) ne sont pas applicables en
mode UTF-8.
.PP
On peut esp�rer que dans un futur proche,
.B UTF-8
remplacera
.B ASCII
et
.B ISO 8859
� tous les niveaux comme encodage des caract�res sur les syst�mes POSIX,
ce qui conduira � un environnement sensiblement plus riche pour traiter
des textes.
.SH SECURIT�
Les standards
.BR Unicode " et " UCS
demande que le producteur
B UTF-8
utilise la forme la plus courte possible, par exemple, produire une
s�quence de deux octets avec un premier octet 0xc0 n'est pas conforme.
.B Unicode 3.1
a ajout� la n�cessit� pour les programmes conformes de ne pas accepter
les formes non minimales en entr�e. Il s'agit de raisons de s�curit� : si
une saisie est examin�e pour des probl�mes de s�curit�, un programme
doit rechercher seulement la version
.B ASCII
de "/../" ou ";" ou NUL. Il y a de nombreuses mani�res
.RB non- ASCII
de repr�senter ces choses dans un encodage
.B UTF-8
non minimal.
.SH CONFORMIT�
ISO/IEC 10646-1:2000, Unicode 3.1, RFC 2279, Plan 9.
.SH AUTEUR
Markus Kuhn <mgk25@cl.cam.ac.uk>
.SH "VOIR AUSSI"
.BR nl_langinfo (3),
.BR setlocale (3),
.BR charsets (7),
.BR unicode (7)
.SH TRADUCTION
Christophe Blaess, 1997.