sourCEntral - mobile manpages

pdf

UTF-8

NOME

UTF-8 − una codifica Unicode multi-byte ASCII-compatibile

DESCRIZIONE

L’insieme di caratteri Unicode 3.0 occupa uno spazio a 16 bit. La codifica più naturale di Unicode (nota come UCS-2) consta di sequenze di parole a 16 bit. Queste stringhe possono contenere byte come ’\0’ o ’/’, che hanno significato speciale per i nomi di file e per i parametri di altre funzioni della libreria C, come parte di un carattere a 16 bit. Inoltre, la maggioranza dei programmi UNIX si aspetta nomi di file in ASCII e, non sa leggere parole a 16 bit come caratteri senza grosse modifiche. Per queste ragioni UCS-2 non è una codifica esterna di Unicode adatta a nomi di file, file di testo, variabili d’amiente, ecc. L’ Insieme universale di caratteri ISO 10646 (UCS), un’estensione di Unicode, occupa addirittura uno spazio a 31 bit, e la sua codifica naturale, UCS-4 (una sequenza di parole a 32 bit), soffre degli stessi problemi.

La codifica UTF-8 di Unicode e UCS evita questi problemi, ed è il modo comune nel quale Unicode è usato nei sistemi operativi tipo Unix.

Proprietà
La codifica UTF-8 possiede queste ottime proprietà:

*

i caratteri UCS da 0x00000000 a 0x0000007f (i caratteri US-ASCII classici) sono codificati semplicemente come byte da 0x00 a 0x7f (compatibilità ASCII). In altre parole, file e stringhe contenenti solamente caratteri ASCII a 7 bit hanno la stessa codifica sia in ASCII che in UTF-8.

*

Tutti i caratteri UCS > 0x7f sono codificati come una sequenza a multi-byte consistente esclusivamente di byte nell’intervallo da 0x80 a 0xfd, in modo tale da non trovare nessun byte ASCII all’interno di un altro carattere, e da non avere problemi con, tra gli altri, ’\0’ o ’/’.

*

L’ordinamento lessicografico delle stringhe in UCS-4 viene preservato.

*

Tutti i 2^31 possibili codici UCS possono essere codificati con UTF-8.

*

I byte 0xfe e 0xff non sono mai usati nella codifica UTF-8.

*

Il primo byte di una sequenza multi-byte UCS che rappresenta un carattere non ASCII è sempre nell’intervallo da 0xc0 a 0xfd e indica la lunghezza della sequenza. Tutti i byte seguenti sono nell’intervallo da 0x80 a 0xbf, facilitando un’eventuale risincronizzazione e facendo diventare la codifica senza memoria e resistente a byte mancanti.

*

I caratteri UCS codificati con UTF-8 possono arrivare ai sei byte di lunghezza, tuttavia lo standard Unicode non specifica caratteri oltre 0x10ffff, così i caratteri Unicode possono essere lunghi solo fino a quattro byte in UTF-8.

Codifica
Le seguenti sequenze di byte vengono usate per rappresentare un carattere. La sequenza da usare dipende dal numero del codice UCS del carattere:
0x00000000 − 0x0000007F:

0xxxxxxx

0x00000080 − 0x000007FF:

110xxxxx 10xxxxxx

0x00000800 − 0x0000FFFF:

1110xxxx 10xxxxxx 10xxxxxx

0x00010000 − 0x001FFFFF:

11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

0x00200000 − 0x03FFFFFF:

111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

0x04000000 − 0x7FFFFFFF:

1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

Le configurazioni di bit xxx sono riempite coi bit del numero del codice carattere rappresentato in binario. Viene usata solo la più breve delle sequenze multi-byte che possono rappresentare il numero del codice.

I valori del codice UCS 0xd800–0xdfff (surrogati UTF-16), così come 0xfffe e 0xffff (non-caratteri UCS) non devono apparire nei flussi UTF-8 conformi.

Esempi
Il carattere Unicode 0xa9 = 1010 1001 (il simbolo di copyright ©) si codifica in UTF-8 come

11000010 10101001 = 0xc2 0xa9

e il carattere 0x2260 = 0010 0010 0110 0000 (il simbolo «non uguale») si codifica come:

11100010 10001001 10100000 = 0xe2 0x89 0xa0

Note sull’applicazione
Gli utenti devono selezionare una localizzazione UTF-8 , ad esempio con

export LANG=en_GB.UTF-8

per poter attivare il supporto UTF-8 nelle applicazioni.

I software applicativi che devono riconoscere la dofica caratteri usata devono sempre impostare la localizzazione con, ad esempio,

setlocale(LC_CTYPE, "")

e i programmatori possono quindi testare l’espressione

strcmp(nl_langinfo(CODESET), "UTF-8") == 0

per determinare se una localizzazione UTF-8 è stata selezionata e se quindi tutti gli input e output standard in testo, comunicazioni terminale, contenuto in testo dei file, nomi file e variabili d’ambiente sono codificati in UTF-8.

I programmatori abituati alle codifiche a singolo byte come US-ASCII o ISO 8859 devono ricordare che due assunzioni valide qui non sono più valide nelle localizzazioni UTF-8 . Innanzitutto un singolo byte non corrisponde necessariamente più ad un singolo carattere. In secondo luogo, poiché i moderni emulatori terminale in modalità UTF-8 supportano anche caratteri a doppia larghezza cinese, giapponese e coreano e i caratteri combinanti, non spaziati, l’emissione di un singolo carattere non avanza necessariamente il cursore di una posizione come avveniva in ASCII. Funzioni di libreria come mbsrtowcs(3) e wcswidth(3) oggi devono essere usate posizioni di caratteri e cursore.

La sequenza ufficiale ESC per commutare da uno schema di codifica ISO 2022 (usato ad esempio dai terminali VT100) a UTF-8 è ESC % G ("\x1b%G"). La corrispondente sequenza di ritorno da UTF-8 a ISO 2022 è ESC % @ ("\x1b%@"). Altre sequenze ISO 2022 (come quelle per commutare gli insiemi G0 e G1) non sono applicabili in modalità UTF-8.

Si può sperare che nel futuro UTF-8 sostituirà ASCII e ISO 8859 a tutti i livelli come codifica caratteri comune nei sistemi POSIX, portando così ad un ambiente significativamente più ricco per la gestione del testo.

Sicurezza
Gli standard Unicode and UCS richiedono che i produttori di UTF-8 debbano usare la forma più breve possibile, ad es. produrre una sequenza a due byte con primo byte 0xc0 non è conforme. Unicode 3.1 ha aggiunto la richiesta che i programmi confori non debbano accettare le forme non brevi nel loro input. Ciò è per ragioni di sicurezza: se l’input utente è verificato per possibili violazioni di sicurezza, un programma può verificare solo la versione ASCII di "/../" o ";" o NUL e dimenticare che ci sono motli modi non-ASCII di rappresentare queste cose in una codifica UTF-8 non breve.

Standard
ISO/IEC 10646-1:2000, Unicode 3.1, RFC 2279, Plan 9.

AUTORE

Markus Kuhn <mgk25 AT cl DOT cam DOT ac DOT uk>

VEDERE ANCHE

nl_langinfo(3), setlocale(3), charsets(7), unicode(7)

pdf