utf-8

UTF-8(7)                     Manual del Programador                     UTF-8(7)



NOMBRE
       UTF-8 - una codificación Unicode compatible con ASCII

DESCRIPCIÓN
       El conjunto de caracteres Unicode ocupa un espacio de códigos de 16 bits.
       La codificación Unicode más obvia (conocida como UCS-2) consiste en una
       secuencia de palabras de 16 bits. Tales cadenas pueden contener, como
       parte de muchos caracteres de 16 bits, bytes como '\0' or '/', que tienen
       un significado especial en nombres de ficheros y en otras variables de
       funciones de la biblioteca C. Además, la mayoría de las herramientas de
       UNIX esperan ficheros ASCII y no pueden leer palabras de 16 bits como
       caracteres sin considerables modificaciones. Por estas razones, UCS-2 no
       es una codificación externa apropiada de Unicode en nombres de ficheros,
       variables de entorno, etc. El ISO 10646 Universal Character Set (UCS), es
       un super-conjunto de Unicode con un espacio de códigos de hasta 31 bits y
       la codificación obvia para dicho conjunto, UCS-4 (una secuencia de
       palabras de 32 bits), posee los mismos problemas.

       La codificación UTF-8 de Unicode y UCS carece de estos problemas y es la
       forma a seguir para usar el conjunto de caracteres Unicode bajo sistemas
       operativos al estilo UNIX.

PROPIEDADES
       La codificación UTF-8 tiene los siguientes propiedades atractivas:

       * Los caracteres UCS 0x00000000 a 0x0000007f (el conjunto clásico de
         caracteres US-ASCII se codifican simplemente como los bytes 0x00 a
         0x7f (compatibilidad con ASCII) Esto significa que los ficheros y
         cadenas que contengan solament caracteres ASCII de 7 bits tienen la
         misma codificación en ASCII y en UTF-8.

       * Todos los caracteres UCS
          > 0x7f se codifican como una secuencia de multiples byte consistente
         solamente de bytes en el rango 0x80 a 0xfd, por tanto ningún byte ASCII
         puede aparecer como parte de otro carácter y no hay problemas con, por
         ejemplo,  '\0' or '/'.

       * Se preserva la enumeración lexicográfica de las cadenas UCS-4

       * Los  2^31 códigos posibles UCS pueden codificarse con UTF-8.

       * Los bytes 0xfe y 0xff no se usan nunca en la codificación UTF-8

       * El primer byte de una secuencia multibyte que represente un carácter no
         ASCII UCS siempre se halla en el rango  0xc0 a 0xfd, e indica la
         longitud de la secuencia. El resto de los bytes de la secuencia se
         hallan en el rango 0x80 a 0xbf. Esto permite una fácil resincronización
         y resulta en una codificación sin-estado y robusta frente a la pérdida
         de bytes.

       * Los caracteres UCS codificados en UTF-8 pueden llegar a ser de 6 bytes,
         no obstante los caracteres Unicode sólo pueden ser de 3 bytes a lo
         sumo. Como Linux usa tan solo el subconjunto Unicode de 16 bits de UCS,
         en Linux la secuencias multibyte UTF-8 sólo pueden tener 1, 2 ó 3
         bytes.

ENCODING
       Las siguientes secuencias de bytes se usan para representar un carácter.
       La secuencia a usar depende del código UCS correspondiente al carácter:

       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

       Las posiciones xxx se rellenan con los bits del número de código del
       carcter representado en binario. Sólo se puede usar la secuencia más
       corta que pueda representar el número de código.

EJEMPLOS
       El carácter Unicode 0xa9 = 1010 1001 (el signo de copyright) se codifica
       en UTF-8 como

              11000010 10101001 = 0xc2 0xa9

       y el carácter
        0x2260 = 0010 0010 0110 0000 (el símbolo de "distinto que") se codifica
       como:

              11100010 10001001 10100000 = 0xe2 0x89 0xa0

ESTÁNDARES
       ISO 10646, Unicode 1.1, XPG4, Plan 9.

AUTOR
       Markus Kuhn <mskuhn@cip.informatik.uni-erlangen.de>

VÉASE TAMBIÉN
       unicode(7)












Linux                             Junio 13 1996                         UTF-8(7)