Computers verstaan text op zichzelf niet. Ieder karakter is heeft ook een eigen nummer-combinatie. Origineel was elke set van nummers, gebruikt om het alfabet en karakters te vertegenwoordigen. Dit is beter gekent als het code-systeem, coderen of karakter set. Deze was gelimiteerd in grootte door limitaties in computer hardware.
De meest gekende (of toch de meest wereldwijd ge-accepteerde) karakter is ASCII (amerikaanse standaard codering voor informatie uitwisseling). Het is wereldwijd gehouden voor het meest succesvol software standaard ooit. Moderne ASCII was gestandaardiseerd in 1986 (ANSI X3.4, RFC 20, ISO/IEC 646:1991, ECMA-6) door de amerikaanse nationale standaarden instituut.
ASCII is strict gezien een seven-bit. Dit betekend dat het bit patronenen gebruikt met zeven tekens, die voorzien een spreiding van 0 tot 127 in decimalen. Deze bevatten 32 niet-zichtbare controle karakters, meestal tussen 0 en 31, met ten slotte het controle karakter, DEL of delete op 127. Karkaters 32 tot 126 zijn zichtbare karakters: een spatie, leestekens, latijnse letters en nummers.
De acht bit in ASCII was origineel gebruikt als een foute bit voor fouten te controleren. Als dit ongewenst is, wordt het gelaten als 0. Dit betekend at, met ASCII, elk karakter is vertegenwoordigd door een enkele byte.
Hoewel ASCII genoeg was voor communicatie in het moderne Engels, in andere europese talen die karakters met accenten bevatten, waren dingen niet zo makkelijk om zeggen. Het ISO 8859 standaard werd ontwikkeld om hun noden tegemoet te komen. Ze waren omgekeerd compatibel met ASCII, maar in de plaats van het achtste bit blanco te laten, gebruikten ze het om 127 karakters extra te coderen. ISO 8859's limitaties kwamen vlug aan het licht, er zijn heden trouwens 15 varianten van het ISO 8859 standaard (8859-1 tot 8859-15). Buiten het ASCII-compatiebele byte spreiding van deze karakter groepjes, is er vaak een conflict tussen de letters vertegendwoordigd door elke byte. Om de interopabiliteit tussen de encodering meer gecompliceerd te maken, wordt windows-1252 gebrukt in sommige versies van Microsoft Windows in plaats van westerse europese talen. Dit is een supergroep van ISO 8859-1, hoewel het verschillendis in verschillende opzichten. Deze groepen bevatten wel allemaal ASCII compabiliteit.
De nodige ontwikkeling van compleet andere
Dit leide tot verwarring en ook tot totale onmogelijkheid voor het voeren van meertalige communicatie, vooral bij verschillende alfabetten Ga verder met Unicode.
Unicode gooit de traditionele enkele-byte limitaties van karakter sets weg. Het gebruikt 17 "planes" van 65,536 code punten om maximum 1,114,112 karakters te beschrijven. Zoals het eerste "plane" aka. "Basic MUltilingual Plane" or BMP, bevat bijna alles wat je ooit zult gebruiken, velen hebben de verkeerde veronderstelling gemaakt; namelijk dat Unicode een 16-bit karakter set is.
Unicode is in vele manieren in kaart gebracht, maar de twee meest gekende zijn UTF (Unicode Translation Format) en UCS (Universal Character Set). Het nummer na UTF wijst op het aantal bits in één eenheid, terwijl het aantal na UCS op het aantal bytes wijst. Utf-8 is het meest wijdverspreide middel voor de uitwisseling van Unicode tekst geworden door zijn schone aard met slechts acht bits, en dit is ook het onderwerp van dit document.
UTF-8 is een variabele-lengte karakter encodering, die in dit geval betekent dat het 1 tot 4 bytes per symbool gebruikt. Zodus, het eerste UTF-8 byte is gebruikt voor het encoderen van ASCII, zodanig dat het karakter volle omgekeerde compabiliteit met ASCII heeft. UTF-8 betekent dat ASCII en latijnse karakters onveranderbaar zijn met een kleine verhoging in de groote van de data, omdat the eerste bit gebruikt is voor gebruikers van oosterse alphabets zoals Japans. Die hebben een hogere byte spreiding toegewezen gekregen, waarmee ze trouwens niet blij zijn aangezien dit resulteerd in een 50% trager werkende data.
UTF-8 laat je toe te werken in meertalige omgeving die werkt op standaarden en
internationaal is geaccepteerd, met in vergelijking een lage data traagheid.
UTF-8 is de geprefereerde weg om niet-ASCII karakters te verzenden over het
internet, via Email, IRC of bijna in elk medium. Afgezien daarvan, vinden veel
mensen UTF-8 toch in online communicatie verkeerd. Het is altijd best om u
ervan bewust te maken welk gedrag UTF-8 heeft in een specifiek kanaal, mailing
list of Usenet groep vooraleer
Nu dat je de principes van Unicode verstaat, ben je klaar om te starten met UTF-8 te gebruiken op je systeem.
De vereiste voor UTF-8 is een versie van glibc geinstalleerd te hebben die nationale talen ondersteund. De naar voor geschoven mening om dit te doen is het
Vervolgens moeten we beslissen of een UTF-8 localisatie al besschikbaar is voor onze taal, or als we onze eigen moeten creeeren.
(Vervang "nl_BE" met je gewenste localisatie instelling) # locale -a | grep 'nl_BE' nl_BE nl_BE.UTF-8
Van de teruggave van de
(Vervang "nl_BE" met je eigen gewenste localisatie instelling) # localedef -i nl_BE -f UTF-8 nl_BE.UTF-8
Een andere manier om een UTF-8 localisatie toe te voegen aan
nl_BE.UTF-8 UTF-8
Er is een omgeving variabele die je moet instellen om onze nieuwe UTF-8
localisaties te kunnen gebruiken:
Anderen vinden het dan weer makkelijkst ene localisatie in te stellen voor heel
het systeem. De schrijver van deze gids raadt dit ten sterkste aan bij het
gebruik van
De localisatie globaal instellen in het systeem zou moeten ingesteld worden in
het volgende bestand:
(Zoals altijd, pas "nl_BE.UTF-8" naar jou localisatie) LC_ALL="nl_BE.UTF-8"
Vervolgens moet het systeem worden upgedate met de verandering.
# env-update >>> Regenerating /etc/ld.so.cache... * Caching service dependencies ... # source /etc/profile
start nu
# locale LANG= LC_CTYPE="nl_BE.UTF-8" LC_NUMERIC="nl_BE.UTF-8" LC_TIME="nl_BE.UTF-8" LC_COLLATE="nl_BE.UTF-8" LC_MONETARY="nl_BE.UTF-8" LC_MESSAGES="nl_BE.UTF-8" LC_PAPER="nl_BE.UTF-8" LC_NAME="nl_BE.UTF-8" LC_ADDRESS="nl_BE.UTF-8" LC_TELEPHONE="nl_BE.UTF-8" LC_MEASUREMENT="nl_BE.UTF-8" LC_IDENTIFICATION="nl_BE.UTF-8" LC_ALL=nl_BE.UTF-8
Dit is alles. Je gebruikt nu UTF-8 localisatie, en de volgende stap is het instellen van aplicaties die je van dag tot dag gebruikt.
Als Unicode voor het eerst werd gestart in de software wereld, multibyte karakter sets waren niet geschikt genoeg voor talen als C, in welk vele van de dag-tot-dag programma's zijn geschreven. Zelfs vandaag, zijn sommige programma's niet geschikt om UTF-8 te gebruiken. Gelukkig zijn velen dat wel!
Er zijn meerdere NLS opties in het Linux kernel configuratie menu, maar het is belangrijk om niet verward te raken! In de meeste gevallen, is het enige dat je moet doen UTF-8 NLS ondersteuning in je kernel bouwenn, en het veranderen van standaard NLS ondersteuning te veranderen naar UTF-8.
File Systems -->
Native Language Support -->
(utf8) Default NLS Option
<*> NLS UTF8
(Also <*> other character sets that are in use in
your FAT filesystems or Joilet CD-ROMs.)
Als je van plan bent om NTFS partities te gebruiken, zou het handig kunnen zijn
om een
File Systems -->
DOS/FAT/NT Filesystems -->
(437) Default codepage for fat
Instellingen zoals
Voor het veranderen van encoderingen van bestandsnamen kan
# emerge --ask app-text/convmv(Commando formaat) # convmv -f <huidige-encodering> -t utf-8 <bestandsnaam>(Vervang iso-8859-1 met de karakterset die je converteerd # convmv -f iso-8859-1 -t utf-8 bestandsnaam
Voor het veranderen van de
(Vervang iso-8859-1 met de karakterset die je converteerd) (Controleer of de teruggave gezond is) # iconv -f iso-8859-1 -t utf-8 bestandsnaam(Om een bestand te converteren, moet je een ander bestand aanmaken) # iconv -f iso-8859-1 -t utf-8 bestandsnaam > nieuw-bestand
om UTF-8 voor de console in te schakelen, moet je
De
(Verander "be-latin1" naar je lokale layout) KEYMAP="be-latin1"
Het is wijs om
# emerge --update --deep --newuse world
We moeten ook een aantal pakketten opnieuw compileren die gelinkt worden naar
deze, nu de USE veranderingen zijn toegepast. De tool die we daarvoor gebruiken
We also need to rebuild packages that link to these, now the USE changes have
(
# revdep-rebuild --soname libncurses.so.5 # revdep-rebuild --soname libslang.so.1
Alle grote desktop omgevingen hebben volledige Unicode ondersteuning, en zal geen extra opstelling nodig hebben dan al aangegeven was in deze gids. Dit is omdat de onderliggende grafische toolkits (Qt of GTK+2) UTF-8 bewust zijn. All of the major desktop environments have full Unicode support, and will require no further setup than what has already been covered in this guide. This is because the underlying graphical toolkits (Qt or GTK+2) are UTF-8 aware. Later zullen alle aplicaties die boven op die hulpmiddellen runnen utf-8 bewust zijn zonder enige instelling.
De uitzondering op deze regel komt op Xlib en GTK+1. GTK+1 heeft een
iso-10646-1
style "user-font"
{
fontset="-misc-fixed-*-*-*-*-*-*-*-*-*-*-iso10646-1"
}
widget_class "*" style "user-font"
Als een applicatie een betere ondersteuning heeft voor Qt en GTK+2 GUI, zal de GTK+2 GUI meestal een beter resultaat geven met Unicode.
TrueType lettertypes hebben ondersteuning voor Unicode, en zijn de meeste fonts
die bij Xorg zitten hebben geweldige karakter ondersteuning, hoewel, zijn
duidelijk niet alle enkele
Ook, kunnen veel pakketten in de portage Unicode detecteren.
# emerge terminus-font intlfonts freefonts cronyx-fonts corefonts
Window managers die niet zijn gecompileerd op GTK of Qt hebben meestal een goede Unicode ondersteuning omdat ze vaak de Xft bibliotheek gebruiken om te werken met lettertypes. Als je window manager geen Xft gebruikt voor zijn fonts, kan je nog altijd de FontSpec die vermeld stat in de vorige sectie gebruiken als Unicode lettertype.
Terminal emulators die Xft gebruiken en Unicode ondersteunen zijn moeilijker om
te vinden Buiten Konsole en gnome-terminal, zijn de beste opties in de portage
defutf8 on
Vim voorziet volledige UTF-8 ondersteuning, en heeft ook ingebouwde detectering
voor UTF-8 bestanden. Voor meer informatie over Vim, gebruik
Emacs 22.x en hoger heeft ook volledige UTF-8 ondersteuning. Xemacs 22.x ondersteund nog geen gecombineerde karakters.
Lagere versies van Emacs en/of Xemacs kunnen het mogelijk achten om
(require 'un-define) (require 'jisx0213) (set-language-environment "Japanese") (set-default-coding-systems 'utf-8) (set-terminal-coding-system 'utf-8)
Nano bied volledige UTF-8 ondersteuning sinds versie 1.3.6.
De C shell,
Irssi heeft complete UTF-8 ondersteuning, toch moet de gebruiker een optie instellen.
/set term_charset UTF-8
Voor kanalen waar niet-ASCII karakters vaak uitgewisselt worden in niet-UTF-8
karaktersets, bied het
De Mutt mail agent heeft een heel goede Unicode ondersteuning. Het gebruikt UTF-8 met Mutt, Je hoeft niets aan te passen in je configuratie bestanden. Mutt zal werken in een unicode omgeving zonder aanpassing als alle configuratie bestanden (waaronder handtekeningen) UTF-8 zijn gecodeerd.
Further information is available from the
Man paginas zijn integraal deel van elke Linux machine. Om te verzekeren dat
enige unicode in je man paginas correct wordt gerenderd, pas
(Dit is de oude regel) NROFF /usr/bin/nroff -Tascii -c -mandoc(Vervang bovenstaande met deze regel) NROFF /usr/bin/nroff -mandoc -c
Deze zijn veelvoorkomende text-gebaseerde browsers, en we zullen zien hoe we
kunnen UTF-8 ondersteuning op hen inschakelen. Op
(Voor elinks, pas /etc/elinks/elinks.conf of ~/.elinks/elinks.conf en voeg de volgende lijn toe) set terminal.linux.utf_8_io = 1(Voor links, pas ~/.links/links.cfg aan en voeg de volgende lijn toe.) terminal "xterm" 0 1 0 us-ascii utf-8
Samba is een software reeks die het SMB (Server Message Block) protocol implementeerd voor UNIX systemen zoals Macs, Linux en FreeBSD. Er wordt ook soms naar het protocol is ook soms verwezen als het Common Internet File System (CIFS). Samba bevat ook het NetBIOS systeem - gebruikt om bestanden uit te wisselen over windows netwerken.
(Pas /etc/samba/smb.conf aan en de voeg het volgende onder de [global] sectie) dos charset = 1255 unix charset = UTF-8 display charset = UTF-8
Er zijn vele UTF-8 test websites.
Als je een textuele web browser gebruikt, controleer dan of je een unicode-bewuste terminal gebruikt.
Als je bepaalde karakters afgebeeld ziet met letters en nummers vanbinnen, betekend dit dat je lettertype geen karakter voor het symbool of glyph die UTF-8 wilt heeft. In de plaats van het goed af te beelden, beelt het een blokje af met de hexadecimale code of het UTF-8 symbool.
Om dead keys vrij te maken in X, moet je een goede layout hebben dat dit
ondersteund. De meeste Europese layouts hebben al een dead key met een
standaart variant. Dit is niet zo bij Noord Amerikaanse layouts. Er is een
bepaalde graad van onenigheid tussen layouts, de gemakkelijkste oplossing zou
zijn door een layout te gebruiken in de vorm van "nl_BE" liever dan "be",
alleen bijvoorbeeld. De layouts staan in
Section "InputDevice"
Identifier "Keyboard0"
Driver "kbd"
Option "XkbLayout" "nl_Be" # Liever dan gewoon "be"
(ander Xkb opties hier)
EndSection
Deze verandering zal pas effectief zijn wanneer je je x-server herstart
Voor het toepassen van de verandering , gebruik de
Het is gemakkelijker dead keys te beschrijven met voorbeelden. Al zijn de resultaten locaal afhankelijk,het consept blijf hetzelfde , ongeacht de localisatie. De voorbeelden bevatten UTF-8, dus om ze te bezien moet je je browser zeggen om de pagina te bezien als een UTF-8, of al een UTF-8 te hebben geconfigureerd.
Wanneer ik Altgr en [ tesamen druk,en loslaat daarna a druk is ä getoond Wanneer ik Altgr en [ tesamen druk,en loslaat daarna e druk is ë getoond Wanneer ik Altgr en ; tesamen druk,en loslaat daarna a druk is á getoond Wanneer ik Altgr en ; tesamen druk,en loslaat daarna e druk is é getoond
Wanneer ik Altgr,shift en [ tesamen druk,en loslaat daarna a druk is een Scandinavische 'å' getoond. Eveneens wanneer ik Altgr,shift en [ tesamen druk en alleen [ loslaat en herdruk is '˚' getoond. Al lijkt het erop, dit (U+02DA) is niet dezelfde als een graden symbool (U+00B0). Dit werkt voor ander accenten geproduceert door dead keys. Altgr en [,daarna alleen [loslaat en herdruk, maakt '¨'.
Altgr kan gebruikt worden met alfabetische keys alleen. Bijvoorbeeld Altgr en
m, een griekse lower-case letter mu wordt getoond als 'µ'; Altgr en s maakt een