Unicode
Origem: Wikipédia, a enciclopédia livre.
Unicode (ˈjuːnɪkoʊd) é um padrão que permite aos computadores representar e manipular, de forma consistente, texto de qualquer sistema de escrita existente. Publicado no livro The Unicode Standard[1][2], o padrão consiste de um repertório de cerca de 100 000 caracteres[3], um conjunto de diagramas de códigos para referência visual, uma metodologia para codificação e um conjunto de codificações padrões de caracteres, uma enumeração de propriedades de caracteres como caixa alta e caixa baixa, um conjunto de arquivos de computador com dados de referência, além de regras para normalização, decomposição, ordenação alfabética e renderização.
Atualmente é promovido e desenvolvido pela Unicode Consortium, uma organização sem fins lucrativos que coordena o padrão, e que possui a meta de eventualmente substituir esquemas de codificação de caractere existentes pelo Unicode e pelos esquemas padronizados de transformação Unicode (chamado Unicode Transformation Format, ou UTF). Seu desenvolvimento é feito em conjunto com a Organização Internacional para Padronização (ISO) e compartilha o repertório de caracteres com o ISO/IEC 10646: o Conjunto Universal de Caracteres (UCS). Ambos funcionam equivalentemente como codificadores de caracteres, mas o padrão Unicode fornece muito mais informação para implementadores, cobrindo em detalhes tópicos como ordenação alfabética e visualização.
Seu sucesso em unificar conjuntos de caracteres levou a um uso amplo e predominante na internacionalização e localização de programas de computador. O padrão foi implementado em várias tecnologias recentes, incluindo XML, Java e sistemas operacionais modernos.
| Série Unicode |
| Unicode
|
| UCS |
| UTF-7 |
| UTF-8 |
| UTF-16 |
| UTF-32/UCS-4 |
| SCSU |
| Punycode |
Índice |
[editar] Visão geral
O Unicode possui o objetivo explícito de transcender as limitações de codificações de caractere tradicionais, como as definidas pelo padrão ISO 8859, que possuem grande uso em vários países mas permanecem em sua maioria incompatíveis umas com as outras. Várias codificações de caractere tradicionais compartilham um problema comum, ao permitirem processamento bilíngue (geralmente usando caracteres romanos e a língua local), mas não processamento multilíngue (processamento de línguas arbitrárias misturadas umas com as outras).
O Unicode codifica os caracteres em si - grafemas e unidades tais como grafemas - em vez de codificar glifos variantes para tais caracteres. No caso de caracteres chineses, essa estratégia geralmente leva a controvérsias quanto à distinção entre um caractere e seus glifos variantes.
Na área de processamento de texto, o Unicode possui o papel de fornecer um único código - um número e não um glifo - para cada caractere. Em outras palavras, o Unicode representa um caractere em uma forma abstrata e deixa questões sobre renderização (como tamanho, forma, fonte ou estilo) para outro software, como um navegador ou um editor de texto. Esse simples objetivo torna-se complicado pelas concessões feitas pelos desenvolvedores do padrão a fim de encorajar uma adoção mais rápida.
Os 256 primeiros códigos são idênticos aos do padrão ISO 8859-1, de forma que é trivial converter texto ocidental existente. Diversos caracteres idênticos foram codificados múltiplas vezes em diferentes códigos para preservar distinções usadas por codificações legadas, permitindo assim a conversão de tais codificações para Unicode e vice versa, sem perder qualquer informação. Da mesma forma, enquanto o Unicode permite combinar caracteres, ele também codifica versões pré-compostas da maioria das combinações mais comuns de letra/diacrítico. Por exemplo, o caractere "é" pode ser representado por U+0065 (letra latina "e" minúsculo) combinado com U+0301 (diacrítico "acento agudo"), mas também pode ser representado como U+00E9 (letra latina "e" com diacrítico "acento agudo").
O padrão ainda inclui outros itens relacionados, como propriedades de caracteres, formas de normalização de texto e ordem bidirecional de visualização (para a correta visualização de texto lido da direita à esquerda, como em língua árabe ou hebraica).
Quando se escreve sobre um caractere Unicode, normalmente usa-se "U+" seguido de um número hexadecimal indicando o código do caractere.
[editar] Origem e desenvolvimento
|
Entre 1986 e 1987, iniciou-se na Xerox o trabalho de construção de um banco de dados para mapear o relacionamento entre caracteres idênticos do alfabeto japonês, chinês tradicional e chinês simplificado, a fim de construir uma fonte tipográfica para caracteres chineses estendidos. O grupo de funcionários envolvidos incluía Huan-mei Liao, Nelson Ng, Dave Opstad e Lee Collins. Até então, os utilizadores da Xerox usavam JIS para estender o conjunto original de caracteres chineses. Na mesma época, na Apple iniciou-se a discussão sobre um conjunto universal de caracteres. O grupo da Xerox começa uma discussão sobre questões multilíngues com Mark Davis, da Apple. Já em dezembro de 1987 é registrado o primeiro uso documentado do termo "Unicode".
A partir de 1988 começam discussões sobre uma largura fixa ou variável de bytes para os códigos, e uma das primeiras propostas é o sistema de Davis com uma largura fixa de 16 bits com o nome "High Text", em oposição a "Low Text" para o padrão ASCII. Nos estudos são levados em conta comparações entre o acesso de texto em largura fixa e variável, investigações sobre os requisitos para utilizar-se 16 bits em sistemas computacionais e uma estimativa inicial de contagem de todos os caracteres existentes, a fim de definir se 16 bits seriam mesmo o suficiente.
Em abril, os primeiros protótipos começaram a ser construídos na Apple, decidindo-se incorporar suporte ao padrão no TrueType, o padrão de fontes tipográficas da empresa.
Em janeiro de 1989 a Metaphor decide implementar uma codificação 16-bit para suportar internacionalização em seu conjunto de software. Nos meses seguintes, as freqüentes reuniões do grupo Unicode conta com a presença de representantes de empresas como Metaphor, Sun, Adobe, HP e NeXT. Tais reuniões evoluíram até ao comitê técnico do Unicode, com a formação da Unicode Consortium dois anos após.
Em setembro, o grupo decide usar padrões ISO já existentes para ordenações de sistemas de escrita e nomeação de esquemas. No mês seguinte, o padrão é apresentado para a Microsoft e a IBM, em conjunto com a cooperação entre Apple e Microsoft com o TrueType. O padrão também foi apresentado ao grupo de internacionalização do Unix.
A partir do início de 1990, a Microsoft começa a participar das reuniões do Unicode. Em junho é a vez da IBM começar a participar mais ativamente. No mesmo ano é iniciado o trabalho para a formação de um consórcio ao padrão. Em 3 de janeiro de 1991 a Unicode Consortium é fundada, como Unicode, Inc. na Califórnia, Estados Unidos da América. No dia 25 é realizada a primeira reunião dos membros. Ainda em janeiro é formado o comitê técnico Unicode. No mês seguinte, um dos primeiros artigos sobre o Unicode aparece no New York Times[4]. Atualmente, qualquer empresa ou pessoa disposta a pagar os custos de associação pode tornar-se membro da organização; os membros incluem, virtualmente, todas as principais empresas de software e hardware interessadas em padrões de processamento de texto, tais como Adobe Systems, Apple, Google, HP, IBM, Microsoft e Xerox. Outras instituições incluem a Universidade de Berkeley, o governo da Índia e o governo do Paquistão.[5]
[editar] Sistemas de escrita suportados
|
|
O Unicode cobre quase todos os sistemas de escritas em uso atualmente, incluindo:
O padrão adicionou outros sistemas de escrita e cobrirá mais, incluindo sistemas históricos ou extintos usados primordialmente pela academia, tais como:
[editar] Desenvolvimento
Apesar de mais de trinta sistemas de escrita serem incluídos no Unicode, ainda restam outros por codificar. Novas adições de caracteres para sistemas já codificados, tal como símbolos matemáticos e musicais, também ocorrem. Michael Everson, Rick McGowan e Ken Whistler mantêm uma lista de tais sistemas e um rascunho de codificação na página oficial do Unicode Consortium[6]. Para alguns sistemas já adicionados ao rascunho de desenvolvimento, propostas de codificação são feitas até que se encontre um consenso que leve à aprovação. Para outros sistemas, não são feitas propostas até que comunidades acadêmicas envolvidas aprovem o repertório de caracteres e outros detalhes.
Entre os sistemas de escrita esperando codificação estão os hieróglifos egípcios fenícios e maias, além do alfabeto babilônico e outros de caráter cuneiforme.
[editar] Mapeamento e codificação
[editar] Armazenamento, transferência e processamento
O armazenamento dos códigos Unicode no processamento de texto apresenta o problema de a maioria dos programas de computador escritos no mundo ocidental utilizar somente codificações de 8 bits - 1 byte - (como o padrão ASCII), já que o suporte ao Unicode começou somente nos últimos anos. Similarmente, na representação de sistemas de escrita asiáticos, o modelo baseado em ASCII de caracteres de 2 bytes não pode mesmo em teoria codificar mais que 32 768[7] caracteres e, na prática, as arquiteturas impõem limites ainda menores. Tais limites são insuficientes mesmo só tendo em conta as necessidade de acadêmicos da língua chinesa.
A lógica interna de muitos programas legados tipicamente permite somente 8 bits para cada caractere, tornando impossível o uso de mais de 256 códigos[8] sem processamento especial. Programas 16-bit suportam somente dezenas de milhares de caracteres. Por outro lado, o Unicode já definiu mais de cem mil caracteres codificados. Desenvolvedores de sistemas já sugeriram diversos mecanismos para implementar o padrão; a escolha de cada um depende do espaço de armazenamento disponível, compatibilidade de código fonte e interoperabilidade com outros sistemas.
O Unicode define dois métodos de mapeamento, UTF (Formato de Transformação Unicode, do inglês Unicode Transformation Format) e UCS (Conjunto Universal de Caracteres, do inglês Universal Character Set). Os números associados aos nomes dos mapeamentos indicam o número de bits por código (no caso de UTF) ou o número de bytes por código (no caso de UCS). UTF-8 e UTF-16 são possivelmente as mais usadas.
A UTF-7 é uma codificação não tão popular usada para codificação em 7 bits (quando há a restrição, na infra-estrutura, a caracteres com o oitavo bit ligado; por exemplo, quando só se podem usar caracteres ASCII válidos), e é normalmente considerada obsoleta. Não faz parte do padrão, sendo apresentada apenas como uma recomendação. Por outro lado, a UTF-8 é uma codificação de 8 bits muito usada, e que que maximiza a compatibilidade com ASCII, dentro do possível. Utiliza entre um e quatro bytes por código e, sendo compacta para o sistemas latino e compatível com ASCII nos códigos até 127, fornece um padrão de facto de codificação para a conversão de textos para o formato Unicode. É usada pelas mais recentes distribuições Linux como uma substituta para codificações legadas na manipulação de texto. Também sendo uma codificação de 8 bits, UTF-EBCDIC possui largura variável e maximiza a compatibilidade com EBCDIC, mas não faz parte do padrão.
No campo de codificações 16-bit, a UCS-2 é uma codificação de largura fixa que suporta somente o plano básico de línguas, considerado obsoleto. Não faz parte do padrão. Já a UTF-16 é uma codificação 16-bit de largura variável. Ela pode incluir uma ou duas palavras 16-bit para suportar outros caracteres. É usada por várias API, freqüentemente por compatibilidade com códigos desenvolvidos quando o Unicode era baseado em UCS-2. A UTF-16 é o padrão de codificação para a API do sistema operacional Microsoft Windows, da linguagem de programação Java (J2SE, desde a versão 1.5) e dos ambientes .NET. Para caracteres do plano básico de línguas do Unicode, a UCS-2 e a UTF-16 são idênticas.
A UTF-32 é uma codificação 32-bit de largura fixa amplamente usada na representação interna de texto em programas (não durante armazenamento ou transmissão), já que todo sistema operacional Unix que utiliza os compiladores GCC para gerar executáveis utiliza UTF-32 como o padrão de codificação wide character. Versões recentes da linguagem de programação Python (desde 2.2) também podem ser configuradas para usar UTF-32 como a representação de Unicode para cadeias de caracteres. A UCS-4 fornece funcionalidade equivalente ao UTF-32, ainda que não faça parte do padrão.
[editar] Caracteres pré-compostos e caracteres combinados
O Unicode inclui um mecanismo para modificar o formato de caracteres, estendendo o repositório de glifos suportados. Isso cobre o uso de combinação de marcas diacríticas, o que permite que uma letra seja combinada com um acento, por exemplo. Entretanto, por questões de compatibilidade, o padrão também inclui uma quantidade considerável de caracteres pré-compostos, associando o símbolo de uma letra combinada com um acento em um código distinto ao código da letra e ao código do acento. Para vários caso, o utilizador possui várias maneiras de codificar o mesmo caractere. Para padronizar essas opções, o padrão ainda fornece um mecanismo de equivalência canônica.
Um exemplo é o Hangul, o alfabeto coreano. O Unicode fornece um mecanismo para compor sílabas Hangul com seus subcomponentes individuais, conhecidos como Hangul Jamo. Entretanto, ele também fornece todas as 11 172 combinações de sílabas Hangul pré-compostas.
Os ideogramas chineses, japoneses e coreanos possuem atualmente códigos apenas para suas formas pré-compostas. Entretanto, a maioria dos ideogramas possuem e combinam elementos mais simples, radicais, que o Unicode poderia decompor, tal como acontece com o Hangul. Tentativas para decompor ideogramas não foram bem sucedidas pois o processo não é tão simples e regular como se esperava.
[editar] Ligaduras
Vários sistemas de escrita, incluindo o árabe e o devanagari, possuem regras ortográficas especiais que requerem que certas combinações de letras sejam feitas por ligaduras tipográficas. As regras de formação de ligaduras podem ser complexas, requerendo tecnologias especiais de formatação de texto como o OpenType (da Adobe e Microsoft), Graphite (da SIL International) ou AAT (da Apple). Instruções também são embarcadas em fontes para informar o sistema operacional quanto à impressão correta de diferentes seqüências de caracteres.
[editar] Uso em diversos sistemas
[editar] Sistemas operacionais
O Unicode tornou-se o esquema predominante para o processamento interno de texto, e por vezes também para armazenamento (apesar de muitos textos ainda estarem armazenados em codificações legadas). As primeiras implementações usavam em sua maioria UCS-2, mudando posteriormente para UTF-16 (já que esta codificação é a mais compatível para suportar caracteres fora do plano básico). O sistema mais conhecido nessa situação foi o Windows NT (e seus descendentes Windows 2000 e Windows XP). Os ambientes de bytecode das plataformas Java e .NET, o sistemas operacional Mac OS X e o ambiente gráfico KDE também uso o UTF-16 para representação interna.
O UTF-8 (originalmente desenvolvido para o Plan 9) tornou-se a principal codificação para a maioria dos sistemas operacionais Unix-like por ser um substituto simples dos conjuntos de caracteres ASCII estendido.
[editar] Correio eletrônico
O MIME define dois mecanismos diferentes para a codificação de caracteres não-ASCII em e-mails, dependendo de como os caracteres estão no cabeçalhos das mensagens, como no campo "assunto", ou no corpo da mensagem. Em ambos os casos, o conjunto original de caracteres é identificado, assim como uma codificação de transferência. Para a transmissão de e-mail Unicode, a codificação de caracteres UTF-8 e a codificação de transferência Base64 são recomendadas. O Base64 garante uma transmissão segura mesmo para servidores de e-mail legados de 7-bit ainda em operação. Caso a mensagem esteja codificada em UTF-7, a codificação de transmissão não é necessária para servidores 7-bit.
Vários aplicativos clientes de correio eletrônico possuem suporte a Unicode no corpo das mensagens. Entretanto, a maioria não envia a mensagem em Unicode por padrão, e poucos sistemas são configurados para exibir todo o repertório do padrão.
O suporte Unicode para o cabeçalho de e-mails é mais problemático, pois diversos padrões devem ser usados para lidar com dados não ASCII. O RFC 2047 fornece suporte para a codificação não ASCII dos campos "assunto" e "nome real". O RFC 3490 fornece suporte para a codificação do domínio do endereço de e-mail (a parte posterior ao "@"). O nome da caixa de e-mail (a parte anterior ao "@") é limitado a um sub-conjunto de caracteres ASCII visíveis, assim como definido pelo RFC 2822.
No suporte Unicode para o corpo de e-mails, mensagens HTML podem usar entidades HTML para usar qualquer caractere Unicode mesmo que a codificação do e-mail está em um padrão legado. Para mensagens em texto puro, deve-se usar MIME para especificar uma codificação.
[editar] World Wide Web
Os navegadores suportam já há vários anos diversas sub-codificações UTF, especialmente UTF-8. Os problemas de visualização derivam principalmente de questões relacionadas com fontes tipográficas. O Internet Explorer, em particular, não imprime na tela diversos códigos Unicode exceto quando é indicado explicitamente qual a fonte que contém os símbolos.
Todas as recomendações W3C (a organização que padroniza a WWW) usam o Unicode como o conjunto de caracteres de documentos, sem uma codificação específica, desde o HTML 4.0; anteriormente utilizava-se o conjunto ASCII 6-bit ISO-8859-1.
Apesar de regras sintáticas poderem afetar a ordem em que os caracteres podem aparecer, tanto documentos HTML quanto XML (incluindo o XHTML), por definição, suportam caracteres da maioria dos códigos Unicode, exceto pela maioria dos códigos de controle C0 e C1, o bloco de código D800-DFFF e qualquer código que termine em FFFE ou FFFF.
Os caracteres são armazenados em XML e HTML na forma binária do código Unicode (desde que a codificação em uso suporte o código). Alternativamente, pode-se armazená-los como referências numéricas baseadas no seu respectivo código, seguindo o formato &#valor; (no qual "valor" é o código em notação decimal) ou &#xvalor; (código em notação hexadecimal; note o "x" antes do valor);
Por exemplo, as referências Δ, Й, ק, م, ๗, あ, 叶, 葉 e 냻 são visualizadas nos navegadores respectivamente como Δ, Й, ק, م, ๗, あ, 叶, 葉 e 냻. Se as fontes apropriadas existem, tais símbolos aparecem respectivamente como a letra maiúscula grega "delta", a letra maiúscula cirílica "I curta", a letra árabe "Meem", a letra hebraica "Qof", o numeral tailandês 7, o hiragana japonês "A", a letra do chinês simplificado "folha", a letra do chinês tradicional "folha" e a sílaba hangul "Nyaelh".
Outro formato para representar caracteres Unicode são as entidades de caractere, um texto que "apelida" um determinado código do padrão. Por exemplo, —, assim como — ou —, representa o código U+2014, o caractere "—".
Em requisições HTTP, as URL são codificadas obrigatoriamente usando o prefixo "%", geralmente em UTF-8 para representar Unicode.
[editar] Fontes
Tanto os padrões TrueType quanto OpenType suportam Unicode, tornando comum a existência de fontes baseadas nessa codificação. Tais formatos de fontes mapeiam códigos Unicode em glifos. Diversas fontes existem no mercado, mas muito poucas suportam a maioria dos códigos Unicode. Fontes Unicode geralmente focam o suporte a ASCII (o básico) e um conjunto particular de códigos, isto é, um conjunto particular de sistema de escrita. O motivo para tal é a falta de uma aplicação para a visualização de um grande conjunto de códigos (um programa de computador que contém diversos sistemas de escrita juntos), a quantidade de recursos que as fontes usam do sistema computacional e o fato de que os sistemas operacionais e aplicações possuem inteligência suficiente para obter informação de um glifo de um arquivo diferente se necessário (por exemplo, usando substituição de fontes). A tarefa para desenvolver um conjunto consistente de instruções de visualização para dezenas de milhares de glifos é árdua.
[editar] Subconjuntos padronizados
Diversos subconjuntos do Unicode são padronizados: o Microsoft Windows suporta, desde a versão NT 4.0, o WGL-4 com 652 caracteres, que representa todas as línguas européias contemporâneas usando os sistemas de escrita latino, grego ou cirílico. Outros conjuntos padronizados incluem os subconjuntos multilinguais europeus: MES-1 (sistemas latinos somente, 335 caracteres), MES-2 (sistemas latinos, grego e cirílico, 1063 caracteres)[9] e MES-3A & MES-3B. Note que o MES-2 inclui todo o MES-1, que por sua vez contém todo o WGL-4.
| WGL-4, MES-1 e MES-2 | |||
| Linha | Célula(s) | Bloco(s) | Exemplos |
|---|---|---|---|
| 00 | 20–7E | Latino básico (00–7F) | A, i, [, _, @ |
| A0–FF | Suplemento Latino-1 (80–FF) | Æ, Ç, Ø, ß, ÷ | |
| 01 | 00–13, 14–15, 16–2B, 2C–2D, 2E–4D, 4E–4F, 50–7E, 7F | Latino estendido-A (00–7F) | ĕ, Ħ, Ŋ, ş, œ |
| 8F, 92, B7, DE-EF, FA–FF | Latino estendido-B (80–FF …) | Ƌ, ƒ, Ʃ, Ǯ, ƴ | |
| 02 | 18–1B, 1E–1F | Latino estendido-B (… 00–4F) | |
| 59, 7C, 92 | Extensões IPA (50–AF) | ɤ, ɸ, ʘ, ʍ, ʥ | |
| BB–BD, C6, C7, C9, D6, D8–DB, DC, DD, DF, EE | Letras de modificação de espaço (B0–FF) | ˖, ˇ, ˟, ʼ, ˮ | |
| 03 | 74–75, 7A, 7E, 84–8A, 8C, 8E–A1, A3–CE, D7, DA–E1 | Grego (70–FF) | σ, Ϛ, Ϟ, ϻ, Ϡ |
| 04 | 00, 01–0C, 0D, 0E–4F, 50, 51–5C, 5D, 5E–5F, 90–91, 92–C4, C7–C8, CB–CC, D0–EB, EE–F5, F8–F9 | Cirílico (00–FF) | Д, Ѩ, ҉, Ѯ, ӹ |
| 1E | 02–03, 0A–0B, 1E–1F, 40–41, 56–57, 60–61, 6A–6B, 80–85, 9B, F2–F3 | Latino estendido adicional (00–FF) | Ḳ, Ḫ, Ỗ, Ự, Ắ |
| 1F | 00–15, 18–1D, 20–45, 48–4D, 50–57, 59, 5B, 5D, 5F–7D, 80–B4, B6–C4, C6–D3, D6–DB, DD–EF, F2–F4, F6–FE | Grego estendido (00–FF) | ᾆ, ᾧ, Ἦ, ἐ, ᾬ |
| 20 | 13–14, 15, 17, 18–19, 1A–1B, 1C–1D, 1E, 20–22, 26, 30, 32–33, 39–3A, 3C, 3E | Pontuação geral (00–6F) | ‱, ‼, ‽, ‡, “ |
| 44, 4A, 7F, 82 | Superescritos e subescritos (70–9F) | ⁴, ə, =, ₍, ⁾ | |
| A3–A4, A7, AC, AF | Símbolos de moeda (A0–CF) | ₡, €, ℳ, £, $ | |
| 21 | 05, 13, 16, 22, 26, 2E | Símbolos letterlike (00–4F) | ℐ, ℣, ℔, ℃, ℤ |
| 5B–5E | Formas de números (50–8F) | ⅖, ⅷ, ↁ, ↂ, ⅟ | |
| 90–93, 94–95, A8 | Setas (90–FF) | ↬, ↯, ↹, ⇝, ⇡ | |
| 22 | 00, 02, 03, 06, 08-09, 0F, 11–12, 15, 19–1A, 1E–1F, 27-28, 29, 2A, 2B, 48, 59, 60–61, 64–65, 82–83, 95, 97 | Operadores matemáticos (00–FF) | ⊗, ∮, ⋎, ∆, ∅ |
| 23 | 02, 0A, 20–21, 29–2A | Símbolos técnicos miscelâneos (00–FF) | ⌂, ⌨, ⌚, ⍣, ⍍ |
| 25 | 00, 02, 0C, 10, 14, 18, 1C, 24, 2C, 34, 3C, 50–6C | Desenho de caixas (00–7F) | ╗, ┲, ┊, ╯, ╾ |
| 80, 84, 88, 8C, 90–93 | Elementos de bloco (80–9F) | ▇, ░, ▔, ▓, ▃ | |
| A0–A1, AA–AC, B2, BA, BC, C4, CA–CB, CF, D8–D9, E6 | Formas geométricas (A0–FF) | ▧, ◈, ◑, ◅, ◆ | |
| 26 | 3A–3C, 40, 42, 60, 63, 65–66, 6A, 6B | Símbolos miscelâneos (00–FF) | ☁, ☎, ☠, ♖, ♲ |
| F0 | (01–02) | Áreas de uso privado (00–FF …) | |
| FB | 01–02 | Formas de apresentação alfabética (00–4F) | |
| FF | FD | Área especial | |
Quando o programa de computador de visualização não puder visualizar e processar o código Unicode corretamente, geralmente, imprime somente um retângulo, uma área em aberto ou o caractere Unicode de substituição (U+FFFD, �), para indicar que o caractere não é reconhecido. Alguns sistemas tentam retornar mais informações sobre os caracteres não reconhecidos. A fonte LastResort da Apple imprime um glifo substituto indicando o bloco Unicode do caractere. Já a fonte Unidode da SIL imprime uma caixa com o valor hexadecimal do caractere.
[editar] Métodos de entrada
Por questões evidentes, um teclado de computador não pode ter uma tecla para todos os caracteres Unicode disponíveis: sua superfície teria que ser muito grande, tornando-o inutilizável. Por isso, diversos sistemas operacionais fornecem alternativas para digitar qualquer código do repertório Unicode.
No Microsoft Windows (desde a versão 2000), o utilitário "Mapa de Caracteres" fornece controles de edição para toda tabela até U+FFFF. Programas de processamento de texto como o Microsoft Word possuem um controle similar embarcado, através de inserção de símbolo. Quando sabe-se o código desejado, pode-se simular a digitação de um caractere Unicode através da combinação Alt+++#, no qual # representa o código hexadecimal até FFFF. Por exemplo, Alt+++F+1 produzirá o caractere "ñ". Esse método também funciona em vários outros aplicativos Windows, mas não em aplicações que usam o controle de caixa de edição padrão do sistema.
Utilizadores do Apple Macintosh possuem uma funcionalidade similar, no Mac OS X e no Mac OS 8.5 ou superior: Option+#, no qual # é o código Unicode em hexadecimal de quatro dígitos.
O ambiente gráfico GNOME fornece um utilitário tal qual o "Mapa de Caracteres" que mostra os caracteres ordenados pelo bloco Unicode ou pelo sistema de escrita. Quando sabe-se o código desejado, a produção do caractere pode ser feita de acordo com a norma ISO 14755: Ctrl+Shift+#, no qual # é o código Unicode em hexadecimal. Ao código deve-se adicionar o caractere "U" caso esteja-se usando a versão 2.15 ou superior.
O interpretador de comandos do Linux permite que caracteres Unicode sejam produzidos pela combinação Alt+#, em que # é o código Unicode em decimal digitado no teclado numérico. Para funcionar, o modo Unicode deve ser ativado e uma fonte suportada deve ser usada. A norma ISO 14755 (descrita acima) também é implementada.
O navegador Opera, a partir da versão 7.5, permite que os utilizadores produzam caracteres Unicode diretamente do campo de texto através da combinação Alt+#.
No editor de texto Vim a produção pode ser feita com a combinação Ctrl+V+u+#.
Notas e Referências
- ↑
A última versão (julho de 2007) deste livro é:
- The Unicode Consortium. The Unicode Standard: Version 5.0. 5.ed. Addison-Wesley Professional, 2006. 1472 p. ISBN 0321480910
- ↑ O título, em português, significa "O padrão Unicode".
- ↑ The Unicode Standard: A Technical Introduction (inglês). Página oficial do Unicode (18 de julho de 2007). Página visitada em 20 de julho de 2007.
- ↑ Andrew Pollack (20 de fevereiro de 1991). Universal Computer Code Due (inglês). The New York Times. Página visitada em 20 de julho de 2007.
- ↑ The Unicode Consortium Members (inglês). Página oficial do Unicode (17 de julho de 2007). Página visitada em 20 de julho de 2007.
- ↑ Roadmaps to Unicode (inglês). Página oficial do Unicode (10 de dezembro de 2004). Página visitada em 20 de julho de 2007.
- ↑ 2 bytes = 16 bits; 65 536 = 216; como o espaço de 65 000 valores possui sinal, somente a parte positiva é usada: 32 768 valores.
- ↑ 256 = 28; isso significa que oito bytes podem representar 256 valores diferentes.
- ↑ Markus Kuhn (7 de novembro de 1998). Multilingual European Character Set 2 (MES-2) Rationale (inglês). Área pessoal de Markus Kuhn no sítio da Universidade de Cambridge. Página visitada em 20 de julho de 2007.
[editar] Ver também
- ASCII
- Codificação de caracteres
- Diacrítico
- EBCDIC
- Glifo
- Internacionalização de software
- ISO/IEC 10646
- Símbolos de xadrez em Unicode
- Unicode Consortium
[editar] Ligações externas
- Sítio oficial da Unicode Consortium (em inglês)
- Uma wiki com imagens de todos os caracteres Unicode (em alemão e em inglês)
- Busca de caracteres Unicode pelo nome (em inglês)
- Todos os caracteres Unicode impressos em uma imagem (em inglês)
- libUniCode-plus Wiki (em inglês) (criação e manipulação de tabelas Unicode)
