Código Hangul unificado

El Código Hangul Unificado ( UHC ), ^{[ 2 ] [ a ]} ​​o Wansung Extendido , ^{[ 4 ] [ b ]} también conocido en Microsoft Windows como Página de Códigos 949 ( Windows-949 , MS949 o ambiguamente CP949 ), es la página de códigos de Microsoft Windows para el idioma coreano . Es una extensión del Código Wansung ( KS C 5601 :1987, codificado como EUC-KR ) para incluir las 11172 sílabas Hangul no parciales presentes en Johab (KS C 5601:1992 anexo 3). ^{[ 4 ] [ 2 ]} Esto corresponde a las sílabas precompuestas disponibles en Unicode 2.0 y posteriores.

Wansung Code tiene el inconveniente de que solo asigna códigos para las 2350 sílabas precompuestas de Hangul que tienen sus propios puntos de código KS X 1001 (KS C 5601) (de un total de 11172, sin contar las que usan jamo obsoleto), y requiere que otras usen secuencias de composición de ocho bytes, que no son compatibles con algunas implementaciones parciales del estándar. ^{[ 5 ]} UHC resuelve esto asignando códigos únicos para todas las sílabas posibles construidas usando jamo moderno, haciendo asignaciones fuera del espacio de codificación utilizado para KS X 1001.

El rango del byte inicial se extiende a 0x81 –FE, y el rango del byte final se extiende a 0x41–5A, 0x61–7A y 0x81–FE (en EUC-KR, ambos rangos son 0xA1–FE). Los códigos fuera de los rangos de EUC-KR se utilizan para el hangul adicional. ^{[ 6 ]} Si se consideran por separado, tanto el bloque Hangul de EUC-KR como la sección Hangul extendida de UHC están en orden Unicode. ^{[ 1 ]}

El Código Hangul Unificado no está registrado en la IANA como estándar para comunicar información a través de Internet. ^{[ 7 ]} Entre las alternativas se incluye UTF-8 . Sin embargo, el Estándar de Codificación W3C / WHATWG utilizado por HTML5 incorpora las extensiones del Código Hangul Unificado en su definición de "EUC-KR". ^{[ 1 ]}

Microsoft asigna a Windows-949 la etiqueta "ks_c_5601-1987", ^{[ 8 ] [ 9 ]} que se aplica correctamente a KS X 1001 ( KS C 5601 es el nombre original de KS X 1001). ^{[ 10 ]} El WHATWG trata la etiqueta "ks_c_5601-1987" indistintamente con "EUC-KR" con la intención de que sea "compatible con el contenido implementado". ^{[ 11 ]} La colección "OBSOLETE/EASTASIA" del Consorcio Unicode de asignaciones retiradas incluía asignaciones para el Código Hangul Unificado como "KSC5601.TXT", con las asignaciones derivadas automáticamente para KS X 1001 de 7 bits incluidas como "KSX1001.TXT". ^{[ 12 ]}

La página de códigos 949 de IBM es otra extensión, por lo demás no relacionada, de EUC-KR. Los Componentes Internacionales para Unicode (ICU) utilizan "cp949", "949" o "ibm-949" para referirse a esa página de códigos de IBM, ^{[ 13 ]} y "ms949" o "windows-949" (o varias variantes de "ks_c_5601-1987") para referirse a la asignación de Windows de UHC. ^{[ 14 ]} Python , por el contrario, reconoce "cp949", "949", "ms949" y "uhc" como etiquetas para UHC, y no incluye un códec IBM-949. ^{[ 15 ]} De las etiquetas que incorporan el número de página de códigos, el WHATWG reconoce solo "windows-949". ^{[ 11 ]}

La página de códigos de IBM para el Código Hangul Unificado se llama Página de códigos 1363 ( IBM-1363 ), o "MS-Win coreano". Es una combinación de la página de códigos SBCS 1126 y la página de códigos DBCS 1362. ^{[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ]} Se diferencia en que tiene una asignación de un solo byte de 0x5C al signo Won (U+20A9); ^{[ 21 ] [ 22 ] [ 23 ]} Windows asigna 0x5C a U+005C (el punto de código Unicode para la barra invertida ) como en ASCII, ^{[ 14 ]} aunque las fuentes a menudo todavía lo representan como un signo Won. ^{[ 24 ]} La asignación Unicode de la raya ondulada (0xA1AD) también difiere, con la asignación de IBM favoreciendo U+301C, ^{[ 25 ]} mientras que la asignación de Microsoft favorece U+223C (Operador de tilde). ^{[ 26 ]} La asignación de IBM para UHC está disponible como "ibm-1363" en ICU, ^{[ 21 ]} mientras que el códec "windows-949" de ICU se denomina IBM-1261 en algunos comentarios del código fuente de ICU. ^{[ 27 ]}

A continuación se muestra la porción de un solo byte de la página de códigos según la define IBM. De forma similar a la página de códigos 437 , los bytes de código de control pueden usarse como códigos de control o códigos gráficos según el contexto; los códigos gráficos se muestran a continuación. Microsoft utiliza asignaciones ASCII para todos los bytes ASCII, aunque la barra invertida aún puede representarse como un signo de won .

• Referencia de Microsoft para Windows-949
• Documentación de IBM para IBM-1363
• Mapeo de Windows-949 a Unicode
• Archivos de mapeo de Componentes Internacionales para Unicode (ICU): ibm-1363_P110-1997.ucm , ibm-1363_P11B-1998.ucm y windows-949-2000.ucm
• Demostración de la UCI para Windows-949 (con asignaciones ASCII)
• Demostración de la UCI para IBM-1363 (con 0x5C como signo Won)
• Gráfico de visualización para Windows-949 en el estándar de codificación WHATWG.