Registry client library: Remove two elementar conversion functions
[Samba/gebeck_regimport.git] / docs-xml / Samba3-HOWTO / TOSHARG-Unicode.xml
blobd4318995a1c5aa4a18c53f5841ecf71cec40e959
1 <?xml version="1.0" encoding="iso-8859-1"?>
2 <!DOCTYPE chapter PUBLIC "-//Samba-Team//DTD DocBook V4.2-Based Variant V1.0//EN" "http://www.samba.org/samba/DTD/samba-doc">
3 <chapter id="unicode">
4 <chapterinfo>
5         &author.jelmer;
6         &author.jht;
7         <author>
8                 <firstname>TAKAHASHI</firstname><surname>Motonobu</surname>
9                 <affiliation>
10                 <address><email>monyo@home.monyo.com</email></address>
11                 </affiliation>
12                 <contrib>Japanese character support</contrib>
13         </author>
14         <pubdate>25 March 2003</pubdate>
15 </chapterinfo>
17 <title>Unicode/Charsets</title>
19 <sect1>
20 <title>Features and Benefits</title>
22 <para>
23 <indexterm><primary>use computer anywhere</primary></indexterm>
24 Every industry eventually matures. One of the great areas of maturation is in
25 the focus that has been given over the past decade to make it possible for anyone
26 anywhere to use a computer. It has not always been that way. In fact, not so long
27 ago, it was common for software to be written for exclusive use in the country of
28 origin.
29 </para>
31 <para>
32 Of all the effort that has been brought to bear on providing native
33 language support for all computer users, the efforts of the
34 <ulink url="http://www.openi18n.org/">Openi18n organization</ulink>
35 is deserving of special mention.
36 </para>
38 <para>
39 <indexterm><primary>codepages</primary></indexterm>
40 Samba-2.x supported a single locale through a mechanism called 
41 <emphasis>codepages</emphasis>. Samba-3 is destined to become a truly transglobal
42 file- and printer-sharing platform.
43 </para>
45 </sect1>
47 <sect1>
48 <title>What Are Charsets and Unicode?</title>
50 <para>
51 <indexterm><primary>character set</primary></indexterm>
52 Computers communicate in numbers. In texts, each number is 
53 translated to a corresponding letter. The meaning that will be assigned 
54 to a certain number depends on the <emphasis>character set (charset)
55 </emphasis> that is used. 
56 </para>
58 <para>
59 <indexterm><primary>charset</primary></indexterm>
60 <indexterm><primary>ASCII</primary></indexterm>
61 A charset can be seen as a table that is used to translate numbers to 
62 letters. Not all computers use the same charset (there are charsets 
63 with German umlauts, Japanese characters, and so on). The American Standard Code
64 for Information Interchange (ASCII) encoding system has been the normative character
65 encoding scheme used by computers to date. This employs a charset that contains 
66 256 characters. Using this mode of encoding, each character takes exactly one byte.
67 </para>
69 <para>
70 <indexterm><primary>multibyte charsets</primary></indexterm>
71 <indexterm><primary>extended characters</primary></indexterm>
72 There are also charsets that support extended characters, but those need at least
73 twice as much storage space as does ASCII encoding. Such charsets can contain
74 <command>256 * 256 = 65536</command> characters, which is more than all possible
75 characters one could think of. They are called multibyte charsets because they use
76 more then one byte to store one character. 
77 </para>
79 <para>
80 <indexterm><primary>unicode</primary></indexterm>
81 One standardized multibyte charset encoding scheme is known as
82 <ulink url="http://www.unicode.org/">unicode</ulink>.  A big advantage of using a
83 multibyte charset is that you only need one. There is no need to make sure two
84 computers use the same charset when they are communicating.
85 </para>
87 <para>
88 <indexterm><primary>single-byte charsets</primary></indexterm>
89 <indexterm><primary>SMB/CIFS</primary></indexterm>
90 <indexterm><primary>negotiating the charset</primary></indexterm>
91 Old Windows clients use single-byte charsets, named 
92 <parameter>codepages</parameter>, by Microsoft. However, there is no support for 
93 negotiating the charset to be used in the SMB/CIFS protocol. Thus, you 
94 have to make sure you are using the same charset when talking to an older client.
95 Newer clients (Windows NT, 200x, XP) talk Unicode over the wire.
96 </para>
97 </sect1>
99 <sect1>
100 <title>Samba and Charsets</title>
102 <para>
103 <indexterm><primary>Unicode</primary></indexterm>
104 <indexterm><primary>character sets</primary></indexterm>
105 As of Samba-3, Samba can (and will) talk Unicode over the wire. Internally, 
106 Samba knows of three kinds of character sets: 
107 </para>
109 <variablelist>
110         <varlistentry>
111                 <term><smbconfoption name="unix charset"/></term>
112                 <listitem><para>
113 <indexterm><primary>UTF-8</primary></indexterm>
114 <indexterm><primary>CP850</primary></indexterm>
115                 This is the charset used internally by your operating system. 
116                 The default is <constant>UTF-8</constant>, which is fine for most 
117                 systems and covers all characters in all languages. The default
118                 in previous Samba releases was to save filenames in the encoding of the 
119                 clients &smbmdash; for example, CP850 for Western European countries.
120                 </para></listitem>
121         </varlistentry>
123         <varlistentry>
124                 <term><smbconfoption name="display charset"/></term>
125                 <listitem><para>This is the charset Samba uses to print messages
126                 on your screen. It should generally be the same as the <parameter>unix charset</parameter>.
127                 </para></listitem>
128         </varlistentry>
130         <varlistentry>
131                 <term><smbconfoption name="dos charset"/></term>
132                 <listitem><para>This is the charset Samba uses when communicating with 
133                 DOS and Windows 9x/Me clients. It will talk Unicode to all newer clients.
134                 The default depends on the charsets you have installed on your system.
135                 Run <command>testparm -v | grep &quot;dos charset&quot;</command> to see 
136                 what the default is on your system. 
137                 </para></listitem>
138         </varlistentry>
139 </variablelist>
141 </sect1>
143 <sect1>
144 <title>Conversion from Old Names</title>
146 <para>
147 <indexterm><primary>charset conversion</primary></indexterm>
148 Because previous Samba versions did not do any charset conversion, 
149 characters in filenames are usually not correct in the UNIX charset but only 
150 for the local charset used by the DOS/Windows clients.
151 </para>
153 <para>Bjoern Jacke has written a utility named <ulink url="http://j3e.de/linux/convmv/">convmv</ulink>
154 that can convert whole directory structures to different charsets with one single command. 
155 </para>
157 </sect1>
159 <sect1>
160 <title>Japanese Charsets</title>
162 <para>
163 Setting up Japanese charsets is quite difficult. This is mainly because:
164 </para>
166 <itemizedlist>
167         <listitem><para>
168 <indexterm><primary>JIS X 0208</primary></indexterm>
169                 The Windows character set is extended from the original legacy Japanese
170                 standard (JIS X 0208) and is not standardized. This means that the strictly
171                 standardized implementation cannot support the full Windows character set.
172         </para></listitem>
174         <listitem><para>
175 <indexterm><primary>Shift_JIS</primary></indexterm>
176 <indexterm><primary>EUC-JP</primary></indexterm>
177 <indexterm><primary>CAP</primary></indexterm>
178 <indexterm><primary>HEX</primary></indexterm>
179 <indexterm><primary>Japanese</primary></indexterm>
180                 Mainly for historical reasons, there are several encoding methods in
181                 Japanese, which are not fully compatible with each other. There are
182                 two major encoding methods. One is the Shift_JIS series used in Windows
183                 and some UNIXes. The other is the EUC-JP series used in most UNIXes
184                 and Linux. Moreover, Samba previously also offered several unique encoding
185                 methods, named CAP and HEX, to keep interoperability with CAP/NetAtalk and
186                 UNIXes that can't use Japanese filenames.  Some implementations of the
187                 EUC-JP series can't support the full Windows character set.
188         </para></listitem>
190         <listitem><para>There are some code conversion tables between Unicode and legacy
191                 Japanese character sets. One is compatible with Windows, another one
192                 is based on the reference of the Unicode consortium, and others are 
193                 a mixed implementation. The Unicode consortium does not officially
194                 define any conversion tables between Unicode and legacy character
195                 sets, so there cannot be standard one.
196         </para></listitem>
198         <listitem><para>The character set and conversion tables available in iconv() depend
199                 on the iconv library that is available. Next to that, the Japanese locale 
200                 names may be different on different systems.  This means that the value of 
201                 the charset parameters depends on the implementation of iconv() you are using.
202                 </para>
204                 <para>
205 <indexterm><primary>UCS-2</primary></indexterm>
206 <indexterm><primary>Shift_JIS</primary></indexterm>
207 <indexterm><primary>ASCII</primary></indexterm>
208 <indexterm><primary>English</primary></indexterm>
209                 Though 2-byte fixed UCS-2 encoding is used in Windows internally,
210                 Shift_JIS series encoding is usually used in Japanese environments
211                 as ASCII encoding is in English environments.
212         </para></listitem>
213 </itemizedlist>
215 <sect2><title>Basic Parameter Setting</title>
217         <para>
218 <indexterm><primary>CP932</primary></indexterm>
219         The <smbconfoption name="dos charset"/> and 
220         <smbconfoption name="display charset"/>
221         should be set to the locale compatible with the character set 
222         and encoding method used on Windows. This is usually CP932
223         but sometimes has a different name.
224         </para>
226         <para>
227 <indexterm><primary>Shift_JIS</primary></indexterm>
228 <indexterm><primary>UTF-8</primary></indexterm>
229 <indexterm><primary>EUC-JP</primary></indexterm>
230         The <smbconfoption name="unix charset"/> can be either Shift_JIS series,
231         EUC-JP series, or UTF-8. UTF-8 is always available, but the availability of other locales
232         and the name itself depends on the system.
233         </para>
235         <para>
236         Additionally, you can consider using the Shift_JIS series as the
237         value of the <smbconfoption name="unix charset"/>
238         parameter by using the vfs_cap module, which does the same thing as
239         setting <quote>coding system = CAP</quote> in the Samba 2.2 series.
240         </para>
242         <para>
243         Where to set <smbconfoption name="unix charset"/>
244         to is a difficult question. Here is a list of details, advantages, and
245         disadvantages of using a certain value.
246         </para>
248         <variablelist>
249                 <varlistentry><term>Shift_JIS series</term>
250                         <listitem><para>
251                         Shift_JIS series means a locale that is equivalent to <constant>Shift_JIS</constant>,
252                         used as a standard on Japanese Windows. In the case of <constant>Shift_JIS</constant>,
253                         for example, if a Japanese filename consists of 0x8ba4 and 0x974c
254                         (a 4-bytes Japanese character string meaning <quote>share</quote>) and <quote>.txt</quote>
255                         is written from Windows on Samba, the filename on UNIX becomes
256                         0x8ba4, 0x974c, <quote>.txt</quote> (an 8-byte BINARY string), same as Windows.
257                         </para>
259                         <para>Since Shift_JIS series is usually used on some commercial-based
260                         UNIXes; hp-ux and AIX as the Japanese locale (however, it is also possible
261                         to use the EUC-JP locale series). To use Shift_JIS series on these platforms,
262                         Japanese filenames created from Windows can be referred to also on
263                         UNIX.</para>
265                         <para>
266                         If your UNIX is already working with Shift_JIS and there is a user 
267                         who needs to use Japanese filenames written from Windows, the
268                         Shift_JIS series is the best choice.  However, broken filenames
269                         may be displayed, and some commands that cannot handle non-ASCII
270                         filenames may be aborted during parsing filenames. Especially, there
271                         may be <quote>\ (0x5c)</quote> in filenames, which need to be handled carefully.
272                         It is best to not touch filenames written from Windows on UNIX.
273                         </para>
275                         <para>
276                         Note that most Japanized free software actually works with EUC-JP
277                         only. It is good practice to verify that the Japanized free software can work
278                         with Shift_JIS.
279                         </para>
280                         </listitem>
281                 </varlistentry>
283                 <varlistentry><term>EUC-JP series</term>
284                         <listitem><para>
285 <indexterm><primary>EUC-JP</primary></indexterm>
286 <indexterm><primary>Japanese UNIX</primary></indexterm>
287                         EUC-JP series means a locale that is equivalent to the industry
288                         standard called EUC-JP, widely used in Japanese UNIX (although EUC
289                         contains specifications for languages other than Japanese, such as
290                         EUC-KR). In the case of EUC-JP series, for example, if a Japanese
291                         filename consists of 0x8ba4 and 0x974c and <quote>.txt</quote> is written from
292                         Windows on Samba, the filename on UNIX becomes 0xb6a6, 0xcdad,
293                         <quote>.txt</quote> (an 8-byte BINARY string). 
294                         </para>
296                         <para>
297 <indexterm><primary>EUC-JP</primary></indexterm>
298 <indexterm><primary>UNIX</primary></indexterm>
299 <indexterm><primary>Linux</primary></indexterm>
300 <indexterm><primary>FreeBSD</primary></indexterm>
301 <indexterm><primary>Solaris</primary></indexterm>
302 <indexterm><primary>IRIX</primary></indexterm>
303 <indexterm><primary>Tru64 UNIX</primary></indexterm>
304 <indexterm><primary>Japanese locale</primary></indexterm>
305 <indexterm><primary>Shift_JIS</primary></indexterm>
306 <indexterm><primary>UTF-8</primary></indexterm>
307                         Since EUC-JP is usually used on open source UNIX, Linux, and FreeBSD, and on commercial-based UNIX, Solaris,
308                         IRIX, and Tru64 UNIX as Japanese locale (however, it is also possible on Solaris to use Shift_JIS and UTF-8,
309                         and on Tru64 UNIX it is possible to use Shift_JIS). To use EUC-JP series, most Japanese filenames created from
310                         Windows can be referred to also on UNIX. Also, most Japanized free software works mainly with EUC-JP only.
311                         </para>
313                         <para>
314                         It is recommended to choose EUC-JP series when using Japanese filenames on UNIX.
315                         </para>
317                         <para>
318                         Although there is no character that needs to be carefully treated
319                         like <quote>\ (0x5c)</quote>, broken filenames may be displayed and some
320                         commands that cannot handle non-ASCII filenames may be aborted
321                         during parsing filenames.
322                         </para>
324                         <para>
325 <indexterm><primary>eucJP-ms locale</primary></indexterm>
326                         Moreover, if you built Samba using differently installed libiconv,
327                         the eucJP-ms locale included in libiconv and EUC-JP series locale
328                         included in the operating system may not be compatible. In this case, you may need to
329                         avoid using incompatible characters for filenames.
330                         </para>
331                         </listitem>
332                 </varlistentry>
334                 <varlistentry><term>UTF-8</term>
335                         <listitem><para>
336                         UTF-8 means a locale equivalent to UTF-8, the international standard defined by the Unicode consortium. In
337                         UTF-8, a <parameter>character</parameter> is expressed using 1 to 3 bytes. In case of the Japanese language,
338                         most characters are expressed using 3 bytes. Since on Windows Shift_JIS, where a character is expressed with 1
339                         or 2 bytes is used to express Japanese, basically a byte length of a UTF-8 string the length of the UTF-8
340                         string is 1.5 times that of the original Shift_JIS string. In the case of UTF-8, for example, if a Japanese
341                         filename consists of 0x8ba4 and 0x974c, and <quote>.txt</quote> is written from Windows on Samba, the filename
342                         on UNIX becomes 0xe585, 0xb1e6, 0x9c89, <quote>.txt</quote> (a 10-byte BINARY string).
343                         </para>
345                         <para>
346                         For systems where iconv() is not available or where iconv()'s locales
347                         are not compatible with Windows, UTF-8 is the only locale available.
348                         </para>
350                         <para> 
351                         There are no systems that use UTF-8 as the default locale for Japanese.
352                         </para>
354                         <para>
355                         Some broken filenames may be displayed, and some commands that
356                         cannot handle non-ASCII filenames may be aborted during parsing
357                         filenames. Especially, there may be <quote>\ (0x5c)</quote> in filenames, which
358                         must be handled carefully, so you had better not touch filenames
359                         written from Windows on UNIX.
360                         </para>
362                         <para>
363 <indexterm><primary>Windows</primary></indexterm>
364 <indexterm><primary>Java</primary></indexterm>
365 <indexterm><primary>Unicode UTF-8</primary></indexterm>
366                         In addition, although it is not directly concerned with Samba, since
367                         there is a delicate difference between the iconv() function, which is
368                         generally used on UNIX, and the functions used on other platforms,
369                         such as Windows and Java, so far is concerens the conversion between
370                         Shift_JIS and Unicode UTF-8 must be done with care and recognition
371                         of the limitations involved in the process.
372                         </para>
374                         <para>
375 <indexterm><primary>Mac OS X </primary></indexterm>
376                         Although Mac OS X uses UTF-8 as its encoding method for filenames,
377                         it uses an extended UTF-8 specification that Samba cannot handle, so
378                         UTF-8 locale is not available for Mac OS X.
379                         </para>
380                         </listitem>
381                 </varlistentry>
383                 <varlistentry><term>Shift_JIS series + vfs_cap (CAP encoding)</term>
384                         <listitem><para>
385 <indexterm><primary>CAP</primary></indexterm>
386 <indexterm><primary>NetAtalk</primary></indexterm>
387 <indexterm><primary>Macintosh</primary></indexterm>
388                         CAP encoding means a specification used in CAP and NetAtalk, file
389                         server software for Macintosh. In the case of CAP encoding, for
390                         example, if a Japanese filename consists of 0x8ba4 and 0x974c, and
391                         <quote>.txt</quote> is written from Windows on Samba, the filename on UNIX
392                         becomes <quote>:8b:a4:97L.txt</quote> (a 14 bytes ASCII string). 
393                         </para>
395                         <para>
396                         For CAP encoding, a byte that cannot be expressed as an ASCII
397                         character (0x80 or above) is encoded in an <quote>:xx</quote> form. You need to take
398                         care of containing a <quote>\(0x5c)</quote> in a filename, but filenames are not
399                         broken in a system that cannot handle non-ASCII filenames.
400                         </para>
402                         <para>
403                         The greatest merit of CAP encoding is the compatibility of encoding
404                         filenames with CAP or NetAtalk. These are respectively the Columbia Appletalk
405                         Protocol, and the NetAtalk Open Source software project.
406                         Since these software applications write a file name on UNIX with CAP encoding, if a
407                         directory is shared with both Samba and NetAtalk, you need to use
408                         CAP encoding to avoid non-ASCII filenames from being broken.
409                         </para>
411                         <para>
412                         However, recently, NetAtalk has been
413                         patched on some systems to write filenames with EUC-JP (e.g., Japanese original Vine Linux).
414                         In this case, you need to choose EUC-JP series instead of CAP encoding.
415                         </para>
417                         <para>
418                         vfs_cap itself is available for non-Shift_JIS series locales for
419                         systems that cannot handle non-ASCII characters or systems that
420                         share files with NetAtalk.
421                         </para>
423                         <para>
424                         To use CAP encoding on Samba-3, you should use the unix charset parameter and VFS 
425                         as in <link linkend="vfscap-intl">the VFS CAP smb.conf file</link>.
426                         </para>
428 <example id="vfscap-intl">
429 <title>VFS CAP</title>
430         <smbconfblock>
431 <smbconfsection name="[global]"/>
432 <smbconfcomment>the locale name "CP932" may be different</smbconfcomment>
433 <smbconfoption name="dos charset">CP932</smbconfoption>
434 <smbconfoption name="unix charset">CP932</smbconfoption>
436 <smbconfsection name="[cap-share]"/>
437 <smbconfoption name="vfs option">cap</smbconfoption>
438 </smbconfblock>
439 </example>
441                         <para>
442 <indexterm><primary>CP932</primary></indexterm>
443 <indexterm><primary>libiconv</primary></indexterm>
444 <indexterm><primary>unix charset</primary></indexterm>
445 <indexterm><primary>cap-share</primary></indexterm>
446                         You should set CP932 if using GNU libiconv for unix charset. With this setting,
447                         filenames in the <quote>cap-share</quote> share are written with CAP encoding.
448                         </para>
449                         </listitem>
450                 </varlistentry>
451         </variablelist>
453 </sect2>
455 <sect2><title>Individual Implementations</title>
457 <para>
458 Here is some additional information regarding individual implementations:
459 </para>
461         <variablelist>
462                 <varlistentry><term>GNU libiconv</term>
463                         <listitem><para>
464                         To handle Japanese correctly, you should apply the patch
465                         <ulink url="http://www2d.biglobe.ne.jp/~msyk/software/libiconv-patch.html">libiconv-1.8-cp932-patch.diff.gz</ulink>
466                         to libiconv-1.8.
467                         </para>
468                         
469                         <para>
470                         Using the patched libiconv-1.8, these settings are available:
471                         </para>
473 <programlisting>
474 dos charset = CP932
475 unix charset = CP932 / eucJP-ms / UTF-8
476                 |       |
477                 |       +-- EUC-JP series
478                 +-- Shift_JIS series
479 display charset = CP932
480 </programlisting>
482                         <para>
483                         Other Japanese locales (for example, Shift_JIS and EUC-JP) should not
484                         be used because of the lack of the compatibility with Windows.
485                         </para>
486                         </listitem>
487                 </varlistentry>
489                 <varlistentry><term>GNU glibc</term>
490                         <listitem><para>
491                         To handle Japanese correctly, you should apply a <ulink url="http://www2d.biglobe.ne.jp/~msyk/software/glibc/">patch</ulink>
492                         to glibc-2.2.5/2.3.1/2.3.2 or should use the patch-merged versions, glibc-2.3.3 or later.
493                         </para>
495                         <para>
496                         Using the above glibc, these setting are available:
497                         <smbconfblock>
498                         <smbconfoption name="dos charset">CP932</smbconfoption>
499                         <smbconfoption name="unix charset">CP932 / eucJP-ms / UTF-8</smbconfoption>
500                         <smbconfoption name="display charset">CP932</smbconfoption>
501                         </smbconfblock>
502                         </para>
504                         <para>
505                         Other Japanese locales (for example, Shift_JIS and EUC-JP) should not
506                         be used because of the lack of the compatibility with Windows.
507                         </para>
508                         </listitem>
509                 </varlistentry>
510         </variablelist>
512 </sect2>
514 <sect2>
515         <title>Migration from Samba-2.2 Series</title>
517 <para> 
518 Prior to Samba-2.2 series, the <quote>coding system</quote> parameter was used. The default codepage in Samba
519 2.x was code page 850. In the Samba-3 series this has been replaced with the <smbconfoption name="unix
520 charset"/> parameter.  <link linkend="japancharsets">Japanese Character Sets in Samba-2.2 and Samba-3</link>
521 shows the mapping table when migrating from the Samba-2.2 series to Samba-3.
522 </para>
524         <table frame="all" id="japancharsets">
525                 <title>Japanese Character Sets in Samba-2.2 and Samba-3</title>
527                 <tgroup cols="2" align="center">
528                         <colspec align="center"/>
529                         <colspec align="center"/>
530                         <thead>
531                                 <row><entry>Samba-2.2 Coding System</entry><entry>Samba-3 unix charset</entry></row>
532                         </thead>
533                         <tbody>
534                                 <row><entry>SJIS</entry><entry>Shift_JIS series</entry></row>
535                                 <row><entry>EUC</entry><entry>EUC-JP series</entry></row>
536                                 <row><entry>EUC3<footnote><para>Only exists in Japanese Samba version</para></footnote></entry><entry>EUC-JP series</entry></row>
537                                 <row><entry>CAP</entry><entry>Shift_JIS series + VFS</entry></row>
538                                 <row><entry>HEX</entry><entry>currently none</entry></row>
539                                 <row><entry>UTF8</entry><entry>UTF-8</entry></row>
540                                 <row><entry>UTF8-Mac<footnote><para>Only exists in Japanese Samba version</para></footnote></entry><entry>currently none</entry></row>
541                                 <row><entry>others</entry><entry>none</entry></row>
542                         </tbody>
543                 </tgroup>
544         </table>
546 </sect2>
548 </sect1>
550 <sect1>
551         <title>Common Errors</title>
553         <sect2>
554                 <title>CP850.so Can't Be Found</title>
556                 <para><quote>Samba is complaining about a missing <filename>CP850.so</filename> file.</quote></para>
558                 <para>
559                 CP850 is the default <smbconfoption name="dos charset"/>.
560                 The <smbconfoption name="dos charset"/> is used to convert data to the codepage used by your DOS clients.
561                 If you do not have any DOS clients, you can safely ignore this message. </para>
563                 <para>
564                 CP850 should be supported by your local iconv implementation. Make sure you have all the required packages installed.
565                 If you compiled Samba from source, make sure that the configure process found iconv. This can be
566                 confirmed by checking the <filename>config.log</filename> file that is generated when
567                 <command>configure</command> is executed.</para> 
568         </sect2>
569 </sect1>
571 </chapter>