CHARSET и его имя, или Do you forget about Charset ?

Как оказывается, множество пользователей и программистов никогда не задавались таким простым вопросом : каково имя собственного Charset-а. Почему ? А дело в том, что для большинства языков употребляется только один Charset. Например, для Америки en_US

- Сharset будет однозначно ASCII, а для Франции fr_FR - Charset будет однозначно ISO-8859-1. И т.д.

Давайте не будем уподобляться и рассмотрим такой вопрос : Зачем нам нужно знать Charset

и каким образом выбирается имя

для определенного Charset-а ?

Во-первых, зачем нам требуются имена Charset-ов ?

В стандарте MIME у Content-Type: определен параметр Charset

Content-Type: text/plain; charset="koi8-r"

В стандарте HTTP также определен параметр Charset :

Content-Type: text/plain; charset="koi8-r"

Content-Type: text/html; charset="koi8-r"

В стандарте имя Charset-а применяется при кодировании заголоков :

Subject: Re: =?KOI8-R?Q?=C1?=

В POSIX locale имя Charset-а входит в название категорий локализации :

$ export LANG=ru_RU.KOI8-R

Таким образом, каждый Charset

должен иметь определенное имя. (Технически, имя - это строка символов.)

К сожалению, в деле стандартизации имен Charset-ов царит некоторый беспорядок. А проблема состоит в том, что в настоящее время не существует строгого стандарта на имена Charset-ов.

Например, даже в стандарте ISO

для Charset-ов семейства ISO-8859 определено все : состав символов, e.t.c., но совершенно не определены правила написания имени. Поэтому, даже для имен из стандарта ISO

возможны варианты записи:

ISO8859-1

ISO-8859-1

ISO_8859-1

и т.д.

Обратите внимание на символ между буквами ISO и цифрами.

Однако существует другая организация : , которая кроме всего прочего занимается и регистрацией Charset-ов . Там, на IANA лежит документ : .

В данном документе определено следующее : The character set names may be up to 40 characters taken from the printable characters of US-ASCII. However, no distinction is made between use of upper and lower case letters. (Имя набора символов может достигать 40 символов ASCII. Не существует разницы между строчными и прописными буквами) Это практически все, что можно сказать о правилах образования имен Charset-ов.

Однако самое полезное в этом документе то, что в нем определено понятие Alias у Сharset.

Name: ISO_8859-1:1987 MIBenum: 4 Source: ECMA registry Alias: iso-ir-100 Alias: ISO_8859-1 Alias: ISO-8859-1 (preferred MIME name) Alias: latin1 Alias: l1 Alias: IBM819 Alias: CP819 Alias: csISOLatin1

Определена также процедура регистрации новых Charset-ов : : "IANA Charset Registration Procedures." Существует список рассылки (архив списка ).

Также неплохо ознакомиться с :

. "The Report of the IAB Character Set Workshop held 29 February - 1 March, 1996".

"IETF Policy on Character Sets and Languages"

    Довольно обширная подборка документов находится здесь : . См. также коллекцию Charmap-ов от и .

    Но к сожалению, данный документ не является

международным стандартом, а всего лишь "подборка рекомендаций"... И названия

Charset, в отличии от названий Country () и Territory

() для имен , HTTP и MIME не стандартизованы в ISO...

    Может быть поэтому многие авторы программного обеспечения не поддерживает Charset-ы или механизм Alias:-ов... Например (автор Ulrich Drepper) и XFree86 . Вместо этого например в glibc существует специальный механизм, так называемый name mangling. То есть все символы в имени Charset-а переводятся в lowercase и удаляются все символы "_", "-", "." e.t.c. Например "ISO_8859-1" превращается в "iso88591". А "KOI8-R" --> "koi8r".

    Ситуация осложняется тем, что когда-то давно IBM и Microsoft ввели понятие , которое теперь фактически имеет значение Charset. А с названиями этих самых Codepages стоит полная путанница :

CP866

CP-866

IBM866

IBM_866

и т.д.

Или даже как в случае кодовой страницы CP1251, когда в Microsoft Internet Explorer или IIS эта кодировка фигурирует как "Windows-1251".

Windows-1251

Win-1251

CP1251

CP-1251

и т.д.

    Дак вот, схема name mangling по Drepper-у еще как-то работает для ISOxxxx, но совершенно не работает для имен Codepages CP-xxx/IBM-xxx/Windows-xxx. То есть, нужна поддержка Alias:-ов по IANA.

    Вобщем, засада с этим Charset-ом полная.

    Более того, в "чистом" POSIX

вообще невозможно

узнать имя Charset текущей локализации. См. .

    Ситуация даже еще хуже, поскольку для полной поддержки Charset-ов необходимо держать несколько копий man-ов, info и message catlog-ов (см. ) в разных кодировках. То есть, установив LANG=ru_RU.ISO_8859-5 пользователь вправе рассчитывать, что обработка символов, сообщения об ошибках и вывод справочной информации man будет происходить на русском языке в наборе символов ISO_8859-5. А установив LANG=ru_RU.KOI8-R пользователь точно так же вправе рассчитывать, что всю информацию он будет получать также на русском языке, но в кодировке KOI8-R.

    Точно так же для японского языка. Поскольку для японского имеется по крайней мере 4 кодировки : ISO-2022-JP, JIS, Shift-JIS

(CP-932) и EUC, то установив LANG=ja_JP.EUC

пользователь по-видимому желает работать в кодировке EUC, а установив LANG=ja_JP.Shift-JIS

-- в кодировке Shift-JIS.

P.S Одна из редких программ, которая поддерживает Charset-ы "по настоящему" и даже имеет настройки charset.alias -- это mutt : .

P.P.S. Решением проблемы был бы UNICODE как "самый универсальный сharset". Тогда любой другой Charset можно получить из UNICODE

как "логическое сечение". Кстати в последних Solaris-ах есть такая возможность и можно определять en_US.UNICODE, ja_JP.UNICODE, ru_RU.UNICODE e.t.c.

P.P.P.S. К сожалению, X-ы "внутри" не UNICODE-овые и не имеют такого понятия как UNICODE font (в отличие от тех же ). А как было бы все тогда просто...

Содержание ""

Last change : 18-01-2000

Содержание раздела