man7/unicode.7

   1 .\" Copyright (C) Markus Kuhn, 1995, 2001
   2 .\"
   3 .\" SPDX-License-Identifier: GPL-2.0-or-later
   4 .\"
   5 .\" 1995-11-26  Markus Kuhn <mskuhn@cip.informatik.uni-erlangen.de>
   6 .\"      First version written
   7 .\" 2001-05-11  Markus Kuhn <mgk25@cl.cam.ac.uk>
   8 .\"      Update
   9 .\"
  10 .TH unicode 7 (date) "Linux man-pages (unreleased)"
  11 .SH NAME
  12 unicode \- universal character set
  13 .SH DESCRIPTION
  14 The international standard ISO/IEC 10646 defines the
  15 Universal Character Set (UCS).
  16 UCS contains all characters of all other character set standards.
  17 It also guarantees "round-trip compatibility";
  18 in other words,
  19 conversion tables can be built such that no information is lost
  20 when a string is converted from any other encoding to UCS and back.
  21 .PP
  22 UCS contains the characters required to represent practically all
  23 known languages.
  24 This includes not only the Latin, Greek, Cyrillic,
  25 Hebrew, Arabic, Armenian, and Georgian scripts, but also Chinese,
  26 Japanese and Korean Han ideographs as well as scripts such as
  27 Hiragana, Katakana, Hangul, Devanagari, Bengali, Gurmukhi, Gujarati,
  28 Oriya, Tamil, Telugu, Kannada, Malayalam, Thai, Lao, Khmer, Bopomofo,
  29 Tibetan, Runic, Ethiopic, Canadian Syllabics, Cherokee, Mongolian,
  30 Ogham, Myanmar, Sinhala, Thaana, Yi, and others.
  31 For scripts not yet
  32 covered, research on how to best encode them for computer usage is
  33 still going on and they will be added eventually.
  34 This might
  35 eventually include not only Hieroglyphs and various historic
  36 Indo-European languages, but even some selected artistic scripts such
  37 as Tengwar, Cirth, and Klingon.
  38 UCS also covers a large number of
  39 graphical, typographical, mathematical, and scientific symbols,
  40 including those provided by TeX, Postscript, APL, MS-DOS, MS-Windows,
  41 Macintosh, OCR fonts, as well as many word processing and publishing
  42 systems, and more are being added.
  43 .PP
  44 The UCS standard (ISO/IEC 10646) describes a
  45 31-bit character set architecture
  46 consisting of 128 24-bit
  47 .IR groups ,
  48 each divided into 256 16-bit
  49 .I planes
  50 made up of 256 8-bit
  51 .I rows
  52 with 256
  53 .I column
  54 positions, one for each character.
  55 Part 1 of the standard (ISO/IEC 10646-1)
  56 defines the first 65534 code positions (0x0000 to 0xfffd), which form
  57 the
  58 .I Basic Multilingual Plane
  59 (BMP), that is plane 0 in group 0.
  60 Part 2 of the standard (ISO/IEC 10646-2)
  61 adds characters to group 0 outside the BMP in several
  62 .I "supplementary planes"
  63 in the range 0x10000 to 0x10ffff.
  64 There are no plans to add characters
  65 beyond 0x10ffff to the standard, therefore of the entire code space,
  66 only a small fraction of group 0 will ever be actually used in the
  67 foreseeable future.
  68 The BMP contains all characters found in the
  69 commonly used other character sets.
  70 The supplemental planes added by
  71 ISO/IEC 10646-2 cover only more exotic characters for special scientific,
  72 dictionary printing, publishing industry, higher-level protocol and
  73 enthusiast needs.
  74 .PP
  75 The representation of each UCS character as a 2-byte word is referred
  76 to as the UCS-2 form (only for BMP characters),
  77 whereas UCS-4 is the representation of each character by a 4-byte word.
  78 In addition, there exist two encoding forms UTF-8
  79 for backward compatibility with ASCII processing software and UTF-16
  80 for the backward-compatible handling of non-BMP characters up to
  81 0x10ffff by UCS-2 software.
  82 .PP
  83 The UCS characters 0x0000 to 0x007f are identical to those of the
  84 classic US-ASCII
  85 character set and the characters in the range 0x0000 to 0x00ff
  86 are identical to those in
  87 ISO 8859-1 (Latin-1).
  88 .SS Combining characters
  89 Some code points in UCS
  90 have been assigned to
  91 .IR "combining characters" .
  92 These are similar to the nonspacing accent keys on a typewriter.
  93 A combining character just adds an accent to the previous character.
  94 The most important accented characters have codes of their own in UCS,
  95 however, the combining character mechanism allows us to add accents
  96 and other diacritical marks to any character.
  97 The combining characters
  98 always follow the character which they modify.
  99 For example, the German
 100 character Umlaut-A ("Latin capital letter A with diaeresis") can
 101 either be represented by the precomposed UCS code 0x00c4, or
 102 alternatively as the combination of a normal "Latin capital letter A"
 103 followed by a "combining diaeresis": 0x0041 0x0308.
 104 .PP
 105 Combining characters are essential for instance for encoding the Thai
 106 script or for mathematical typesetting and users of the International
 107 Phonetic Alphabet.
 108 .SS Implementation levels
 109 As not all systems are expected to support advanced mechanisms like
 110 combining characters, ISO/IEC 10646-1 specifies the following three
 111 .I implementation levels
 112 of UCS:
 113 .TP 0.9i
 114 Level 1
 115 Combining characters and Hangul Jamo
 116 (a variant encoding of the Korean script, where a Hangul syllable
 117 glyph is coded as a triplet or pair of vowel/consonant codes) are not
 118 supported.
 119 .TP
 120 Level 2
 121 In addition to level 1, combining characters are now allowed for some
 122 languages where they are essential (e.g., Thai, Lao, Hebrew,
 123 Arabic, Devanagari, Malayalam).
 124 .TP
 125 Level 3
 126 All UCS characters are supported.
 127 .PP
 128 The Unicode 3.0 Standard
 129 published by the Unicode Consortium
 130 contains exactly the UCS Basic Multilingual Plane
 131 at implementation level 3, as described in ISO/IEC 10646-1:2000.
 132 Unicode 3.1 added the supplemental planes of ISO/IEC 10646-2.
 133 The Unicode standard and
 134 technical reports published by the Unicode Consortium provide much
 135 additional information on the semantics and recommended usages of
 136 various characters.
 137 They provide guidelines and algorithms for
 138 editing, sorting, comparing, normalizing, converting, and displaying
 139 Unicode strings.
 140 .SS Unicode under Linux
 141 Under GNU/Linux, the C type
 142 .I wchar_t
 143 is a signed 32-bit integer type.
 144 Its values are always interpreted
 145 by the C library as UCS
 146 code values (in all locales), a convention that is signaled by the GNU
 147 C library to applications by defining the constant
 148 .B __STDC_ISO_10646__
 149 as specified in the ISO C99 standard.
 150 .PP
 151 UCS/Unicode can be used just like ASCII in input/output streams,
 152 terminal communication, plaintext files, filenames, and environment
 153 variables in the ASCII compatible UTF-8 multibyte encoding.
 154 To signal the use of UTF-8 as the character
 155 encoding to all applications, a suitable
 156 .I locale
 157 has to be selected via environment variables (e.g.,
 158 "LANG=en_GB.UTF-8").
 159 .PP
 160 The
 161 .B nl_langinfo(CODESET)
 162 function returns the name of the selected encoding.
 163 Library functions such as
 164 .BR wctomb (3)
 165 and
 166 .BR mbsrtowcs (3)
 167 can be used to transform the internal
 168 .I wchar_t
 169 characters and strings into the system character encoding and back
 170 and
 171 .BR wcwidth (3)
 172 tells how many positions (0\[en]2) the cursor is advanced by the
 173 output of a character.
 174 .SS Private Use Areas (PUA)
 175 In the Basic Multilingual Plane,
 176 the range 0xe000 to 0xf8ff will never be assigned to any characters by
 177 the standard and is reserved for private usage.
 178 For the Linux
 179 community, this private area has been subdivided further into the
 180 range 0xe000 to 0xefff which can be used individually by any end-user
 181 and the Linux zone in the range 0xf000 to 0xf8ff where extensions are
 182 coordinated among all Linux users.
 183 The registry of the characters
 184 assigned to the Linux zone is maintained by LANANA and the registry
 185 itself is
 186 .I Documentation/admin\-guide/unicode.rst
 187 in the Linux kernel sources
 188 .\" commit 9d85025b0418163fae079c9ba8f8445212de8568
 189 (or
 190 .I Documentation/unicode.txt
 191 before Linux 4.10).
 192 .PP
 193 Two other planes are reserved for private usage, plane 15
 194 (Supplementary Private Use Area-A, range 0xf0000 to 0xffffd)
 195 and plane 16 (Supplementary Private Use Area-B, range
 196 0x100000 to 0x10fffd).
 197 .SS Literature
 198 .IP \[bu] 3
 199 Information technology \[em] Universal Multiple-Octet Coded Character
 200 Set (UCS) \[em] Part 1: Architecture and Basic Multilingual Plane.
 201 International Standard ISO/IEC 10646-1, International Organization
 202 for Standardization, Geneva, 2000.
 203 .IP
 204 This is the official specification of UCS.
 205 Available from
 206 .UR http://www.iso.ch/
 207 .UE .
 208 .IP \[bu]
 209 The Unicode Standard, Version 3.0.
 210 The Unicode Consortium, Addison-Wesley,
 211 Reading, MA, 2000, ISBN 0-201-61633-5.
 212 .IP \[bu]
 213 S.\& Harbison, G.\& Steele. C: A Reference Manual. Fourth edition,
 214 Prentice Hall, Englewood Cliffs, 1995, ISBN 0-13-326224-3.
 215 .IP
 216 A good reference book about the C programming language.
 217 The fourth
 218 edition covers the 1994 Amendment 1 to the ISO C90 standard, which
 219 adds a large number of new C library functions for handling wide and
 220 multibyte character encodings, but it does not yet cover ISO C99,
 221 which improved wide and multibyte character support even further.
 222 .IP \[bu]
 223 Unicode Technical Reports.
 224 .RS
 225 .UR http://www.unicode.org\:/reports/
 226 .UE
 227 .RE
 228 .IP \[bu]
 229 Markus Kuhn: UTF-8 and Unicode FAQ for UNIX/Linux.
 230 .RS
 231 .UR http://www.cl.cam.ac.uk\:/\[ti]mgk25\:/unicode.html
 232 .UE
 233 .RE
 234 .IP \[bu]
 235 Bruno Haible: Unicode HOWTO.
 236 .RS
 237 .UR http://www.tldp.org\:/HOWTO\:/Unicode\-HOWTO.html
 238 .UE
 239 .RE
 240 .\" .SH AUTHOR
 241 .\" Markus Kuhn <mgk25@cl.cam.ac.uk>
 242 .SH SEE ALSO
 243 .BR locale (1),
 244 .BR setlocale (3),
 245 .BR charsets (7),
 246 .BR utf\-8 (7)