Как оказывается, множество "не наших" пользователей и программистов никогда не задавались таким простым вопросом : в каком Charset-е они работают и живут. Почему ? А дело в том, что в большинстве стран и 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. Россия в этом отношении - уникальная страна. См. [CZYBORRA]
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 ?
Content-Type: text/plain; charset="koi8-r"Content-Type: text/plain; charset="koi8-r"Content-Type: text/html; charset="koi8-r"Subject: Re: =?KOI8-R?Q?=C1?=$ export LANG=ru_RU.KOI8-RТаким 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 : IANA, которая кроме всего прочего занимается и регистрацией Charset-ов . Там, на IANA лежит документ : http://www.isi.edu/in-notes/iana/assignments/character-sets.
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 : RFC-2278 : "IANA Charset Registration Procedures." Существует список рассылки ietf-charsets@iana.org (архив списка доступен здесь).
Также неплохо ознакомиться с :
Довольно обширная подборка документов находится здесь : http://www.nada.kth.se/i18n/iab-charsets/. См. также коллекцию Charmap-ов от DKUUG и UNICODE.
Но к сожалению, данный документ IANA не является международным стандартом, а всего лишь "подборка рекомендаций"... И названия Charset, в отличии от названий Country (ISO 639) и Territory (ISO 3166) для имен locale, HTTP и MIME не стандартизованы в ISO...
Может быть поэтому многие авторы программного обеспечения не поддерживает Charset-ы или механизм Alias:-ов... Например glibc (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 Codepage, 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 UNIX-системах с "чистым" POSIX вообще невозможно узнать имя Charset текущей локализации. См. Критику POSIX.
Ситуация даже еще хуже, поскольку для полной поддержки Charset-ов необходимо держать несколько копий man-ов, info и message catlog-ов (см. NLS) 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.
Стандарт XLFD единственный вводит более менее об'яснимую схему формирования имен Charset-ов.
P.S Одна из редких программ, которая поддерживает Charset-ы "по настоящему" и даже имеет настройки charset.alias -- это mutt : http://www.mutt.org.
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 LANG= 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 Windows'95). А как было бы все тогда просто...
Содержание "Locale AS IT IS"