Hispanopedia Wiki
Articulo de referencia

Código Unix extendido

El código Unix extendido ( EUC ) es un sistema de codificación de caracteres multibyte utilizado principalmente para caracteres japoneses , coreanos y chinos simplificados . Los...

Hispanopedia WikiContenido en espanolLectura gratuita

El código Unix extendido ( EUC ) es un sistema de codificación de caracteres multibyte utilizado principalmente para caracteres japoneses , coreanos y chinos simplificados .

Los códigos EUC más utilizados son codificaciones de longitud variable en las que un carácter perteneciente a un conjunto de caracteres codificados compatible con ISO/IEC 646 (como ASCII ) ocupa un byte, y un carácter perteneciente a un conjunto de caracteres codificados de 94×94 (como GB 2312 ) se representa en dos bytes. Las formas EUC-CN de GB 2312 y EUC-KR son ejemplos de dichos códigos EUC de dos bytes. EUC-JP incluye caracteres representados por hasta tres bytes, incluido un código de desplazamiento inicial , mientras que un solo carácter en EUC-TW puede ocupar hasta cuatro bytes.

Las aplicaciones modernas tienden a usar UTF-8 , que admite todos los glifos de los códigos EUC, e incluso más, y generalmente es más portable, con menos desviaciones y errores por parte del proveedor. Sin embargo, EUC sigue siendo muy popular, especialmente EUC-KR en Corea del Sur.

Estructura de codificación

Relación entre los perfiles EUC empaquetados y otros perfiles ISO 2022 de 8 bits.

La estructura de EUC se basa en el estándar ISO/IEC 2022 , que especifica un sistema de conjuntos de caracteres gráficos que se pueden representar con una secuencia de los 94 bytes de 7 bits 0x21–7E , o alternativamente 0xA1–FE si hay un octavo bit disponible. Esto permite conjuntos de 94 caracteres gráficos, o 8836 (94² ) caracteres, o 830584 (94³ ) caracteres. Si bien inicialmente 0x20 y 0x7F siempre fueron el espacio y el carácter de borrar , y 0xA0 y 0xFF no se utilizaron, ediciones posteriores de ISO/IEC 2022 permitieron el uso de los bytes 0xA0 y 0xFF (o 0x20 y 0x7F) dentro de conjuntos bajo ciertas circunstancias, lo que permitió la inclusión de conjuntos de 96 caracteres. Los rangos 0x00–1F y 0x80–9F se utilizan para los códigos de control C0 y C1 .

EUC es una familia de perfiles de 8 bits de ISO/IEC 2022 , a diferencia de los perfiles de 7 bits como ISO-2022-JP . Por lo tanto, solo los conjuntos de caracteres compatibles con ISO 2022 pueden tener formas EUC. Hasta cuatro conjuntos de caracteres codificados (denominados G0, G1, G2 y G3 o conjuntos de códigos 0, 1, 2 y 3) pueden representarse con el esquema EUC. El conjunto G0 se establece en un conjunto de caracteres codificados compatible con ISO/IEC 646 como ASCII , ISO 646:KR ( KS X 1003 ) o ISO 646:JP (la mitad inferior de JIS X 0201 ) y se invoca sobre GL (es decir, 0x21–0x7E, con el bit más significativo borrado). [ 1 ] Si se utiliza ASCII, esto hace que el código sea una codificación ASCII extendida ; La desviación más común del código ASCII es que 0x5C ( barra invertida en ASCII) se usa a menudo para representar el símbolo del yen en EUC-JP (ver más abajo) y el símbolo del won en EUC-KR.

Los demás conjuntos de códigos se invocan sobre GR (es decir, con el bit más significativo activado). Por lo tanto, para obtener la forma EUC de un carácter, se activa el bit más significativo de cada byte de codificación (equivalente a sumar 128 a cada byte de codificación de 7 bits, o sumar 160 a cada número en el código kuten ); esto permite que el software distinga fácilmente si un byte en particular en una cadena de caracteres pertenece al código ISO 646 o al código extendido. Los caracteres en los conjuntos de códigos 2 y 3 se prefijan con los códigos de control SS2 (0x8E) y SS3 (0x8F) respectivamente, y se invocan sobre GR. Además del código de desplazamiento inicial, cualquier byte fuera del rango 0xA0–0xFF que aparezca en un carácter de los conjuntos de códigos 1 a 3 no es un código EUC válido. [ 1 ]

El código EUC en sí no utiliza las secuencias de anuncio y designación de ISO 2022. [ 1 ] Sin embargo, la especificación del código es equivalente a la siguiente secuencia de cuatro secuencias de anuncio de ISO 2022 , cuyos significados se desglosan a continuación. [ 1 ]

Formato de longitud fija

Diseño del formato de longitud fija para japonés

La codificación de longitud variable basada en ISO-2022 descrita anteriormente a veces se denomina formato empaquetado EUC , que es el formato de codificación que generalmente se etiqueta como EUC. Sin embargo, el procesamiento interno de datos EUC puede utilizar un formato de transformación de longitud fija llamado formato completo de dos bytes EUC . Esto representa: [ 2 ]

  • El código establece el valor 0 como dos bytes en el rango 0x21–0x7E (excepto que el primero puede ser 0x00).
  • El código 1 se define como dos bytes en el rango 0xA0–0xFF (excepto que el primero puede ser 0x80).
  • El código se establece como un byte en el rango 0x21–0x7E (o 0x00) seguido de un byte en el rango 0xA0–0xFF.
  • El código se establece como un byte en el rango 0xA0–0xFF (o 0x80) seguido de un byte en el rango 0x21–0x7E.

Los bytes iniciales 0x00 y 0x80 se utilizan cuando el conjunto de códigos usa solo un byte. También existe un formato de longitud fija de cuatro bytes. [ 2 ] Estos formatos de codificación de longitud fija son adecuados para el procesamiento interno y no suelen encontrarse en el intercambio.

EUC-JP está registrado en la IANA en ambos formatos: el formato empaquetado como "EUC-JP" o "csEUCPkdFmtJapanese" y el formato de ancho fijo como "csEUCFixWidJapanese". [ 3 ] Solo el formato empaquetado está incluido en el estándar de codificación WHATWG utilizado por HTML5 . [ 4 ]

EUC-CN

EUC-CN [ 6 ] es la forma codificada habitual del estándar GB 2312 para caracteres chinos simplificados . A diferencia del caso de los estándares japoneses JIS X 0208 e ISO-2022-JP , GB 2312 no se utiliza normalmente en una versión de código ISO 2022 de 7 bits , [ a ] ​​aunque una variante llamada HZ (que delimita el texto GB 2312 con secuencias ASCII) se utilizó a veces en USENET .

Un carácter ASCII se representa con su codificación habitual. Un carácter del GB 2312 se representa mediante dos bytes, ambos del rango 0xA1–0xFE.

Código 748

Una codificación relacionada con EUC-CN es el código "748", utilizado en el sistema de composición tipográfica WITS desarrollado por Founder Technology de Pekín (ahora obsoleto por su sistema de composición tipográfica FITS más reciente). El código 748 contiene todo el GB 2312 , pero no cumple con la norma ISO 2022 y, por lo tanto, no es un verdadero código EUC. (Utiliza un byte inicial de 8 bits, pero distingue entre un segundo byte con su bit más significativo activado y otro con su bit más significativo desactivado, y, por lo tanto, es más similar en estructura a Big5 y otros sistemas de codificación DBCS que no cumplen con la norma ISO 2022 ). La parte del código 748 que no pertenece al GB 2312 contiene caracteres tradicionales y de Hong Kong, así como otros glifos utilizados en la composición tipográfica de periódicos.

Páginas de códigos de IBM 1380, 1381, 1382 y 1383

La página de códigos IBM 1381 ( CCSID 1381) comprende la página de códigos de un byte 1115 (CPGID 1115 como CCSID 1115) y la página de códigos de doble byte 1380 (CPGID 1380 como CCSID 1380), [ 7 ] que codifica GB 2312 de la misma manera que EUC-CN, pero se desvía de la estructura EUC al extender el rango del byte inicial hasta 0x8C, agregar 31 caracteres seleccionados por IBM en 0x8CE0 a 0x8CFE y agregar 1880 caracteres definidos por el usuario con bytes iniciales de 0x8D a 0xA0. [ 8 ]

La página de códigos IBM 1383 (CCSID 1383) comprende la página de códigos de un byte 367 y la página de códigos de doble byte 1382 (CPGID 1382 como CCSID 1382), [ 9 ] que difiere al ajustarse a la estructura EUC, agregando los 31 caracteres seleccionados por IBM en 0xFEE0 a 0xFEFE en su lugar, e incluyendo solo 1360 caracteres definidos por el usuario, intercalados en las posiciones no utilizadas por GB 2312. [ 10 ] La alternativa CCSID 5479 [ 11 ] se utiliza para la página de códigos EUC-CN pura: utiliza CCSID 9574 como su conjunto de doble byte, que utiliza CPGID 1382 pero excluye los caracteres seleccionados por IBM y definidos por el usuario. [ 12 ]

GBK y GB 18030

GBK es una extensión de GB 2312. Define una forma extendida de la codificación EUC-CN capaz de representar una gama más amplia de caracteres CJK, provenientes en gran medida de Unicode 1.1 , incluyendo caracteres chinos tradicionales y caracteres utilizados únicamente en japonés . Sin embargo, no es un verdadero código EUC, ya que los bytes ASCII pueden aparecer como bytes de cola (y los bytes C1 , sin limitarse a los desplazamientos simples, pueden aparecer como bytes de inicio o de cola), debido a que se requiere un espacio de codificación mayor.

Existen variantes de GBK implementadas por la página de códigos 936 de Windows (la página de códigos de Microsoft Windows para el chino simplificado) y por la página de códigos 1386 de IBM.

La codificación de caracteres GB 18030, basada en Unicode, define una extensión de GBK capaz de codificar la totalidad de Unicode . Sin embargo, Unicode codificado como GB 18030 es una codificación de longitud variable que puede usar hasta cuatro bytes por carácter, debido a que requiere un espacio de codificación aún mayor. Al ser una extensión de GBK, es un superconjunto de EUC-CN, pero no es un código EUC propiamente dicho. Al ser una codificación Unicode, su repertorio es idéntico al de otros formatos de transformación Unicode, como UTF-8 .

Mac OS Chino simplificado

Otras variantes de EUC-CN que se desvían del mecanismo EUC incluyen el clásico script chino simplificado de Mac OS (conocido como página de códigos 10008 o x-mac-chinesesimp). [ 13 ] Utiliza los bytes 0x80, 0x81, 0x82, 0xA0, 0xFD, 0xFE y 0xFF para la U con diéresis (ü), dos caracteres métricos de fuente especiales, el espacio de no separación , el signo de copyright (©), el signo de marca registrada (™) y los puntos suspensivos (...) respectivamente. [ 6 ] Esto difiere en lo que se considera un carácter de un solo byte frente al primer byte de un carácter de dos bytes tanto de EUC (donde, de esos, 0xFD y 0xFE se definen como bytes iniciales) como de GBK (donde, de esos, 0x81, 0x82, 0xFD y 0xFE se definen como bytes iniciales).

Este uso de 0xA0, 0xFD, 0xFE y 0xFF coincide con la variante Shift_JIS de Apple .

Además de estos cambios en el rango del byte principal, la otra característica distintiva de la parte de doble byte de Mac OS Chinese Simplified es la inclusión de dos extensiones al  conjunto básico GB 2312-80 en las filas 6 y 8. [ 6 ] Estas se consideran "extensiones estándar para GB  2312", ninguna de las cuales es propiedad de Apple: la extensión de la fila 8 se tomó de GB 6345.1 , [ 6 ] ambas extensiones están incluidas en GB/T 12345 (la variante china tradicional de GB  2312), [ 14 ] y ambas extensiones están incluidas en GB 18030 (el sucesor de GB  2312). [ 15 ]

EUC-JP

EUC-JP es una codificación de longitud variable que se utiliza para representar los elementos de tres estándares de conjuntos de caracteres japoneses , a saber, JIS X 0208 , JIS X 0212 y JIS X 0201. Otros nombres para esta codificación incluyen JIS Unixizado (o UJIS ) y AT&T JIS . [ 2 ] Menos del 0,1 % de todas las páginas web utilizan EUC-JP a partir de febrero de 2026, [ 16 ] mientras que el 2,1 % de los sitios web escritos en japonés utilizan esta segunda codificación más popular (para japonés) [ 17 ] ( que es más que para Shift JIS, ambas son mucho menos utilizadas que UTF-8 ). IBM la llama página de códigos 954. [ 18 ] [ 19 ] Microsoft tiene dos números de página de códigos para esta codificación (51932 y 20932).

Este esquema de codificación permite la fácil mezcla de ASCII de 7 bits y japonés de 8 bits sin necesidad de los caracteres de escape empleados por ISO-2022-JP , que se basa en los mismos estándares de conjunto de caracteres, y sin que los bytes ASCII aparezcan como bytes de cola (a diferencia de Shift JIS ).

Una codificación relacionada y parcialmente compatible, llamada EUC-JISx0213 o EUC-JIS-2004 , codifica JIS X 0201 y JIS X 0213 [ 20 ] (de manera similar a Shift_JISx0213 , su contraparte basada en Shift_JIS).

En comparación con EUC-CN o EUC-KR, EUC-JP no se adoptó tan ampliamente en los sistemas PC y Macintosh de Japón, que utilizaban Shift JIS o sus extensiones ( página de códigos 932 de Windows en Microsoft Windows y MacJapanese en Mac OS clásico ), aunque sí se popularizó en sistemas operativos Unix o similares (excepto HP-UX ). Por lo tanto, el uso de EUC-JP o Shift_JIS en sitios web japoneses suele depender del sistema operativo que utilice el autor.

Los caracteres se codifican de la siguiente manera:

  • Como codificación compatible con EUC/ ISO 2022 , los caracteres de control C0 , el espacio y DEL se representan como en ASCII.
  • Un carácter gráfico de ASCII (conjunto de códigos 0) se representa como su representación habitual de un byte, en el rango 0x21 – 0x7E. Si bien algunas variantes de EUC-JP codifican la mitad inferior de JIS X 0201 aquí, la mayoría codifica ASCII, [ 21 ] incluyendo el estándar de codificación W3C/WHATWG utilizado por HTML5 , [ 22 ] y también EUC-JIS-2004. [ 20 ] Si bien esto significa que 0x5C se asigna típicamente a Unicode como U+005C REVERSE SOLIDUS (la barra invertida ASCII ), U+005C puede mostrarse como un signo de yen en ciertas fuentes de configuración regional japonesa, por ejemplo en Microsoft Windows, para compatibilidad con la mitad inferior de JIS X 0201. [ 23 ] [ 24 ]
  • Un carácter de JIS X 0208 (conjunto de códigos 1) se representa mediante dos bytes, ambos en el rango 0xA1 – 0xFE. Esto difiere de la representación ISO-2022-JP al tener el bit más significativo activado. Este conjunto de códigos también puede contener extensiones del proveedor en algunas variantes de EUC-JP. En EUC-JIS-2004, el primer plano de JIS X 0213 se codifica aquí, que es efectivamente un superconjunto del estándar JIS X 0208. [ 20 ]
  • Un carácter de la mitad superior de JIS X 0201 ( kana de ancho medio , conjunto de códigos 2) se representa mediante dos bytes: el primero es 0x8E y el segundo, la representación habitual de JIS X 0201 en el rango 0xA1 – 0xDF. Este conjunto puede contener extensiones de proveedores de IBM en algunas variantes.
  • Un carácter de JIS X 0212 (conjunto de códigos 3) se representa en EUC-JP mediante tres bytes, el primero es 0x8F, y los dos siguientes están en el rango 0xA1 – 0xFE, es decir, con el bit más significativo activado. Además del estándar JIS X 0212 , el conjunto de códigos 3 de algunas variantes de EUC-JP también puede contener extensiones en las filas 83 y 84 para representar caracteres de las extensiones Shift JIS de IBM que carecen de asignaciones estándar de JIS X 0212, que pueden estar codificadas en cualquiera de dos diseños, uno definido por la propia IBM y otro definido por la OSF . [ 25 ] [ 26 ] En EUC-JIS-2004, el segundo plano de JIS X 0213 se codifica aquí, [ 20 ] que no entra en conflicto con las filas asignadas en el estándar JIS X 0212 . [ 27 ] Algunas implementaciones de EUC-JIS-2004, como la utilizada por Python , permiten caracteres del plano 2 de JIS X 0212 y JIS X 0213 en este conjunto. [ 27 ]

Las extensiones de proveedores para EUC-JP (de, por ejemplo, la Open Software Foundation , IBM o NEC ) a menudo se asignaban dentro de los conjuntos de códigos individuales, [ 25 ] [ 26 ] en lugar de utilizar secuencias EUC no válidas (como en las extensiones populares de EUC-CN y EUC-KR).

Sin embargo, algunas codificaciones específicas de proveedores son parcialmente compatibles con EUC-JP, debido a que codifican JIS X 0208 sobre GR, pero no siguen la estructura empaquetada de EUC. A menudo, estas no incluyen el uso de los desplazamientos simples de EUC-JP y, por lo tanto, no son extensiones directas de EUC-JP, con la excepción de Super DEC Kanji.

Kanji de diciembre

Digital Equipment Corporation define dos variantes de EUC-JP que se ajustan solo parcialmente al formato empaquetado EUC, pero que también guardan cierta semejanza con el formato completo de dos bytes. El formato general de la codificación "DEC Kanji" corresponde en su mayor parte a EUC de longitud fija (dos bytes completos); sin embargo, no es necesario rellenar a la izquierda el conjunto de códigos 0 con bytes nulos (de forma similar al formato empaquetado). [ 28 ] JIS X 0208 se utiliza, como de costumbre, para el conjunto de códigos 1; el conjunto de códigos 2 (katakana de ancho medio) está ausente; El conjunto de códigos 3 se codifica como el formato de ancho fijo de dos bytes (es decir, sin un byte de desplazamiento y con solo el primer bit alto activado), pero se utiliza para caracteres definidos por el usuario de dos bytes en lugar de estar especificado para JIS X 0212. [ 28 ] En la codificación básica "DEC Kanji", solo las primeras 31 filas del conjunto de códigos 3 se utilizan para caracteres definidos por el usuario: las filas 32 a 94 están reservadas, de forma similar a las filas no utilizadas en el conjunto de códigos 1. [ 29 ]

La codificación "Super DEC Kanji" acepta códigos tanto de la codificación "DEC Kanji" como de EUC en formato empaquetado, para un total de cinco conjuntos de códigos. [ 28 ] También permite que se utilice todo el conjunto de códigos definido por el usuario y las filas no utilizadas al final de los conjuntos de códigos JIS X 0208 y JIS X 0212 (filas 85-94 y 78-94 respectivamente) para caracteres definidos por el usuario. [ 29 ]

HP-16

Hewlett-Packard define una codificación denominada "HP-16". Esta acompaña a su codificación "HP-15", que es una variante de Shift JIS . HP-16 codifica JIS X 0208 utilizando los mismos bytes que en EUC-JP, pero no utiliza los códigos de desplazamiento simple (omitiendo así los conjuntos de códigos 2 y 3), y agrega tres regiones definidas por el usuario que no siguen la estructura EUC de formato empaquetado: [ 28 ]

  • Bytes iniciales 0xA1–C2, bytes finales 0x21–7E
  • Bytes iniciales 0xC3–E3, bytes finales 0x21–3F
  • Bytes iniciales 0xC3–E1, bytes finales 0x40–64

IKIS

La codificación IKIS (Sistema Interactivo de Información Kanji) utilizada por Data General se asemeja a EUC-JP sin desplazamientos simples, es decir, con solo los conjuntos de códigos 0 y 1. En cambio, los katakana de ancho medio se incluyen en la fila 8 de JIS X 0208 (en conflicto con los caracteres de dibujo de cajas añadidos al estándar en 1983). Las filas 9 a 12 de JIS X 0208 se utilizan para caracteres definidos por el usuario. [ 28 ] [ 29 ]

Adaptaciones de EUC-JP para EBCDIC

KEIS (Kanji-processing Extended Information System) es una codificación EBCDIC utilizada por Hitachi , [ 29 ] con caracteres de doble byte (una codificación DBCS-Host) incluidos mediante secuencias de cambio, lo que la convierte en una codificación con estado . Específicamente, la secuencia 0x0A 0x41cambia al modo de un byte y la secuencia 0x0A 0x42cambia al modo de doble byte. [ b ] Sin embargo, los caracteres JIS X 0208 se codifican utilizando las mismas secuencias de bytes que se utilizan para codificarlos en EUC-JP. Esto da como resultado codificaciones duplicadas para el espacio ideográfico : 0x4040 según la estructura de código DBCS-Host y 0xA1A1 como en EUC-JP. Esto difiere de la codificación DBCS-Host de IBM para japonés, cuyo diseño se basa en versiones que son anteriores a JIS X 0208. El rango del byte inicial se extiende hasta 0x59, de los cuales los bytes iniciales 0x81–A0 están designados para caracteres definidos por el usuario, [ 28 ] y el resto se utiliza para caracteres definidos por la empresa, incluidos tanto kanji como no kanji. [ 29 ]

JEF (Japanese-processing Extended Feature) [ 29 ] es una codificación EBCDIC utilizada en mainframes Fujitsu  FACOM, en contraste con FMR (una variante de Shift JIS) utilizada en PC Fujitsu. Al igual que KEIS, JEF es una codificación con estado, que cambia a un modo DBCS-Host de doble byte utilizando secuencias de cambio (donde 0x29cambia al modo de un byte y 0x28cambia al modo de doble byte). [ 30 ] También de manera similar a KEIS, los códigos JIS X 0208 se representan igual que en EUC-JP. [ 28 ] El rango del byte inicial se extiende hasta 0x41, con 0x80–0xA0 designado para definición del usuario; a los bytes iniciales 0x41–0x7F se les asignan los números de fila 101 a 163 para fines de kuten , aunque la fila 162 (byte inicial 0x7E) no se utiliza. [ 28 ] [ 29 ] Las filas 101 a 148 se utilizan para kanji extendidos, mientras que las filas 149 a 163 se utilizan para caracteres no kanji extendidos. [ 29 ]

EUC-KR

EUC-KR es una codificación de longitud variable para representar texto coreano utilizando dos conjuntos de caracteres codificados, KS X 1001 (anteriormente KS C 5601) [ 31 ] [ 32 ] y ya sea ISO 646 :KR ( KS X 1003 , anteriormente KS C 5636 ) o ASCII , dependiendo de la variante. KS X 2901 (anteriormente KS C 5861 ) estipula la codificación y RFC 1557 la denominó EUC-KR. 

Un carácter extraído de KS X 1001 (G1, conjunto de códigos 1) se codifica como dos bytes en GR (0xA1–0xFE) y un carácter de KS X 1003 o ASCII (G0, conjunto de códigos 0) ocupa un byte en GL (0x21–0x7E).

Generalmente se le conoce como Wansung ( coreano : 완성 ; RR : Wanseong ; lit. ' precompuesto [ 33 ] ' ) en la República de Corea . IBM se refiere al componente de doble byte como página de códigos 971 , [ 34 ] y a EUC-KR con ASCII como página de códigos 970. [ 35 ] [ 36 ] [ 37 ] Microsoft lo implementa como página de códigos 20949 ("Korean Wansung") [ 38 ] [ 39 ] y página de códigos 51949 ("EUC Korean"). [ 38 ]   

A marzo de 2026 Menos del 0,06 % de todas las páginas web a nivel mundial declaran usar EUC-KR, [ 40 ] pero el 3,8 % de las páginas web surcoreanas usan EUC-KR. [ 41 ] Incluyendo las extensiones, es la codificación de caracteres heredada más utilizada en Corea en las tres plataformas principales ( macOS , otros sistemas operativos tipo Unix y Windows), pero su uso ha estado cambiando muy lentamente a UTF-8 a medida que gana popularidad, especialmente en Linux y macOS.

Al igual que ocurre con la mayoría de las demás codificaciones, UTF-8 es ahora la preferida para nuevos usos, ya que resuelve problemas de coherencia entre plataformas y proveedores.

Código Hangul unificado

Una extensión común de EUC-KR es el Código Unificado de Hangul ( 통합형 한글 코드 ; Tonghabhyeong Hangeul Kodeu , [ 42 ] o 통합 완성형 ; Tonghab Wansunghyung ), que es la página de códigos coreana predeterminada en Microsoft Windows. Microsoft le asigna el número de página de códigos 949, e IBM el 1261 [ 43 ] o el 1363 [ 44 ] . La página de códigos 949 de IBM es una extensión de EUC-KR diferente y no relacionada.

El Código Unificado de Hangul (EUC-KR) extiende EUC-KR mediante el uso de códigos que no se ajustan a la estructura EUC para incorporar bloques de sílabas adicionales, completando así la cobertura de los bloques de sílabas compuestas disponibles en Johab y Unicode. El estándar de codificación W3C / WHATWG utilizado por HTML5 incorpora las extensiones del Código Unificado de Hangul en su definición de EUC-KR. [ 45 ]

Mac OS coreano (HangulTalk)

Otras codificaciones que incorporan EUC-KR como subconjunto incluyen el alfabeto coreano de Mac OS (conocido como página de códigos 10003 o x-mac-korean), [ 13 ] que fue utilizado por HangulTalk (MacOS-KH), la localización coreana del Mac OS clásico . Fue desarrollado por Elex Computer ( 일렉스 ), que en ese momento era el distribuidor autorizado de computadoras Apple Macintosh en Corea del Sur. [ 46 ] [ 29 ]

HangulTalk agrega caracteres de extensión con bytes iniciales entre 0xA1 y 0xAD, tanto en el espacio no utilizado dentro del plano EUC-KR GR (bytes finales 0xA1 – 0xFE), como usando códigos no EUC fuera de él (bytes finales 0x41 – 0xA0). Algunos de estos caracteres son dingbats estilizados independientes del estilo de fuente . [ 29 ] Muchos de estos caracteres no tienen asignaciones Unicode exactas, y el software de Apple asigna estos casos de diversas maneras a secuencias de combinación , a asignaciones aproximadas con un carácter de uso privado adjunto como modificador para fines de viaje de ida y vuelta, o a caracteres de uso privado. [ 47 ]

Apple también utiliza ciertos códigos de un solo byte fuera del plano EUC-KR para caracteres adicionales: 0x80 para un espacio requerido , 0x81 para un signo won (₩), 0x82 para un guion corto ( – ), 0x83 para un signo de copyright ( © ), 0x84 para un guion bajo ancho ( ＿ ) y 0xFF para puntos suspensivos (...). [ 47 ] Aunque ninguno de estos códigos adicionales de un solo byte está dentro del rango de bytes iniciales del EUC-KR simple (a diferencia de las extensiones de Apple al EUC-CN, ver más arriba ), algunos están dentro del rango de bytes iniciales del Código Hangul Unificado (específicamente, 0x81, 0x82, 0x83 y 0x84).

EUC-KP

De forma similar a KS X 1001, el estándar norcoreano KPS 9566 se utiliza normalmente en formato EUC; en estos contextos, a veces se le denomina EUC-KP. [ 48 ] Las ediciones más recientes del estándar amplían la representación EUC con caracteres que utilizan códigos de dos bytes no EUC, de forma similar al Código Hangul Unificado. [ 49 ]

EUC-TH

Aunque ciertas codificaciones de un solo byte, como la serie ISO/IEC 8859, se ajustan técnicamente a la estructura EUC, rara vez se etiquetan como EUC. Sin embargo, eucTHse utiliza en Solaris como etiqueta para TIS-620 . [ 50 ]

EUC-TW

EUC-TW es una codificación de longitud variable que admite ASCII y 16 planos de CNS 11643 , cada uno de 94×94. Es una codificación poco utilizada para los caracteres chinos tradicionales , como los que se usan en Taiwán . Las variantes de Big5 son mucho más comunes que EUC-TW, aunque Big5 solo codifica los dos primeros planos de los caracteres chinos  CNS 11643 , mientras que UTF-8 se está volviendo más común.

  • Como codificación EUC/ ISO 2022 , los caracteres de control C0 , el espacio ASCII y DEL se codifican como en ASCII.
  • Un carácter gráfico de ASCII (G0, conjunto de códigos 0) se codifica en GL como su representación habitual de un solo byte (0x21–0x7E).
  • Un carácter del plano 1 (conjunto de códigos 1) del CNS 11643 se codifica como dos bytes en GR (0xA1–0xFE).
  • Un carácter en los planos 1 al 16 de CNS 11643 (conjunto de códigos 2) se codifica como cuatro bytes:
    • El primer byte siempre es 0x8E (desplazamiento simple de 2 bits).
    • El segundo byte (0xA1–0xB0) indica el avión, cuyo número se obtiene restando 0xA0 a ese byte.
    • El tercer y cuarto byte están en GR (0xA1–0xFE).

Tenga en cuenta que el plano 1 de CNS 11643 está codificado dos veces como conjunto de códigos 1 y como parte del conjunto de códigos 2.

Véase también

Notas

  1. ↑ Las versiones de código ISO 2022 de 7 bits que admiten GB 2312 incluyen ISO-2022-CN (con códigos de desplazamiento) e ISO-2022-JP-2 (sin códigos de desplazamiento), las cuales también admiten otros conjuntos que no son ASCII.
  2. ↑ Estas secuencias coinciden con las formas hexadecimales mostradas por DEC [ 30 ] y las formas decimales (10 65y10 66) enumeradas por Lunde. [ 28 ] Lunde enumera las formas hexadecimales para ambas como0xA0 0x42, aparentemente por error.

Referencias

  1. 1 2 3 4 IBM . "Arquitectura de representación de datos de caracteres (CDRA)" . IBM . págs. 157–162 . 
  2. 1 2 3 Lunde, Ken (2008). Procesamiento de información CJKV: Informática china, japonesa, coreana y vietnamita . O'Reilly. págs. 242–244 . ISBN  9780596800925.
  3. ↑ "Conjuntos de caracteres" . IANA.
  4. ↑ "4.2. Nombres y etiquetas" . Estándar de codificación . WHATWG.
  5. ^ Zhu, Haifeng; Hu, Daoyuan; Wang, Zhiguan; Kao, Tien-cheu; Chang, Wen-chung; Crispin, Mark (marzo de 1996). Codificación de caracteres chinos para mensajes de Internet . Grupo de Trabajo de Red. doi : 10.17487/RFC1922 . RFC 1922 .Informativo. sec. 2.1: CN-GB).
  6. 1 2 3 4 "Mapa (versión externa) de la codificación chino simplificado de Mac OS a Unicode 3.0 y posterior" . Apple, Inc.
  7. ↑ "Datos S-Ch PC mixtos (IBM GB) que incluyen 1880 UDC, 31 caracteres seleccionados de IBM y 5 caracteres SAA SB" . Globalización de IBM: Identificadores de conjuntos de caracteres codificados . IBM . Archivado del original el 26 de marzo de 2016.
  8. ↑ "Conjunto de caracteres gráficos chinos simplificados de IBM" (PDF) . IBM . 1993. CH 3-3220-130 1993-11.
  9. ↑ "CCSID 1383: Conjunto S-Ch EUC G0, conjunto ASCII G1, conjunto GB 2312-80 (1382)" . Globalización de IBM: Identificadores de conjuntos de caracteres codificados . IBM . Archivado del original el 28 de marzo de 2016.
  10. ↑ "Conjunto de caracteres gráficos chinos simplificados de IBM para código UNIX extendido (EUC)" (PDF) . IBM . 1994. CH 3-3220-132 1994-06.
  11. ↑ "CCSID 5479: Conjunto S-Ch EUC G0, conjunto ASCII G1, conjunto GB 2312-80 (5478)" . Globalización de IBM: Identificadores de conjuntos de caracteres codificados . IBM . Archivado del original el 27 de marzo de 2016.
  12. ↑ "CCSID 9574: Conjunto S-Ch DBCS PC GB 2312-80, excluyendo 31 IBM seleccionado y 1360 UDC. También se utiliza en T-Ch 2022-CN TCP" . Globalización de IBM: Identificadores de conjuntos de caracteres codificados . IBM . Archivado del original el 27 de marzo de 2016.
  13. 1 2 "Propiedad Encoding.WindowsCodePage – .NET Framework (versión actual)" . MSDN . Microsoft.
  14. ^ Lunde, Ken (1998). "Procesamiento de información CJKV". Apéndice F: GB/T 12345 (PDF) . Medios O'Reilly . ISBN 9781565922242.
  15. ↑ Administración de Normalización de China (SAC) (18-11-2005). GB 18030-2005: Tecnología de la información—Conjunto de caracteres codificados chinos .
  16. ↑ "Tendencias históricas en el uso de codificaciones de caracteres para sitios web" . W3Techs.
  17. ↑ "Distribución de codificaciones de caracteres entre sitios web que utilizan japonés" . w3techs.com . Consultado el 8 de febrero de 2026 .
  18. ↑ "Documento informativo CCSID 954" . Archivado del original el 27 de marzo de 2016.
  19. ↑ Componentes internacionales para Unicode (ICU), ibm-954_P101-2007.ucm , 3 de diciembre de 2002
  20. 1 2 3 4 "Tablas de mapeo de códigos JIS X 0213" . x0213.org.
  21. ↑ "Ambigüedades en la conversión de EUC japonés a Unicode (no normativo)" . Perfil XML japonés . W3C.
  22. ↑ "Decodificador EUC-JP" . Estándar de codificación . WHATWG."Si el byte es un byte ASCII, devuelve un punto de código cuyo valor sea un byte."
  23. ↑ "3.1.1 Detalles de los problemas" . Problemas y soluciones para caracteres Unicode y definidos por el usuario/proveedor . The Open Group Japan. Archivado del original el 3 de febrero de 1999. Consultado el 14 de agosto de 2019 .
  24. ↑ Kaplan, Michael S. (17 de septiembre de 2005). "¿Cuándo una barra invertida no es una barra invertida?" .
  25. 1 2 "4.2 Proceso de revisión de reglas para la conversión de conjuntos de códigos entre eucJP-open y UCS" . Problemas y soluciones para caracteres Unicode y definidos por el usuario/proveedor . The Open Group Japan. Archivado del original el 3 de febrero de 1999. Recuperado el 14 de agosto de 2019 .
  26. 1 2 Lunde, Ken (13 de enero de 2009). «Apéndice J: Conjuntos de caracteres japoneses» (PDF) . Procesamiento de la información CJKV (2.ª ed.). ISBN  978-0-596-51447-1.
  27. 1 2 Chang, Hyeshik (8 de diciembre de 2021). "Readme for CJKCodecs" . cPython . Python Software Foundation.
  28. 1 2 3 4 5 6 7 8 9 Lunde, Ken (13 de enero de 2009). "Apéndice F: Métodos de codificación del proveedor" (PDF) . Procesamiento de la información CJKV (2.ª ed.). ISBN  978-0-596-51447-1.
  29. 1 2 3 4 5 6 7 8 9 10 Lunde, Ken (2009). "Apéndice E: Estándares de conjuntos de caracteres del proveedor" (PDF) . Procesamiento de información CJKV: Informática china, japonesa, coreana y vietnamita (2.ª ed.). Sebastopol, CA : O'Reilly . ISBN  978-0-596-51447-1.
  30. 1 2 "2: Conjuntos de códigos y conversión de conjuntos de códigos" . Referencia técnica DIGITAL UNIX para el uso de funciones japonesas . Digital Equipment Corporation , Compaq .
  31. ↑ "KS X 1001:1992" (PDF) .
  32. ↑ Oficina de Normas de Corea (1988-10-01). KS C 5601:1987 (PDF) . ITSCJ/ IPSJ . ISO-IR -149.
  33. ↑ Lunde, Ken (2009). «Capítulo 3: Estándares de conjuntos de caracteres» . Procesamiento de información CJKV . O'Reilly Media, Inc. pág. 146. ISBN  978-0596514471.
  34. ↑ "IBM Globalization – Identificadores de conjuntos de caracteres codificados – CCSID 971" . Archivado del original el 30/11/2014 . Consultado el 03/09/2021 .
  35. ↑ "CCSID 970" . Globalización de IBM . IBM. Archivado del original el 1 de diciembre de 2014.
  36. ↑ "ibm-970_P110_P110-2006_U2 (alias euc-kr)" . Converter Explorer – Demostración de ICU . Componentes internacionales para Unicode.
  37. ↑ Componentes internacionales para Unicode (ICU), ibm-970_P110_P110-2006_U2.ucm , 3 de diciembre de 2002
  38. 1 2 "Identificadores de página de códigos" . Centro de desarrollo de Windows. Microsoft. 7 de enero de 2021.
  39. ↑ Julliard, Alexandre (11 de marzo de 2021). "dump_krwansung_codepage: crea la tabla Wansung coreana a partir del archivo KSX1001" . make_unicode: genera archivos .c de página de códigos a partir de las descripciones de ftp.unicode.org . Wine Project .
  40. ↑ "Estadísticas de uso y cuota de mercado de EUC-KR para sitios web, marzo de 2025" . w3techs.com . Consultado el 9 de julio de 2025 .
  41. ↑ "Distribución de codificaciones de caracteres entre sitios web que usan .kr" . w3techs.com . Consultado el 2 de marzo de 2026 .
  42. ^ "한글 코드에 대하여" (en coreano). W3C. Archivado desde el original el 24 de mayo de 2013 . Consultado el 7 de enero de 2019 .
  43. ↑ En ucnv_lmb.cpp , un archivo originario de IBM e incluido en el árbol de código fuente de International Components for Unicode , el byte inicial 0x11 está comentado como referencia a "Korean: ibm-1261" después de la definición deULMBCS_GRP_KO, y se asigna al"windows-949"códec ICU en laOptGroupByteToCPNamematriz más adelante en el archivo.
  44. ↑ "Identificadores de conjuntos de caracteres codificados – CCSID 1363" , Globalización de IBM , IBM, archivado del original el 29/11/2014
  45. ↑ "5. Índices (§ índice EUC-KR)" , Estándar de codificación , WHATWG
  46. ↑ Gil, Hojin. "HangulTalk: Entorno Hangul estándar de facto para Mac" . Guía para usar Hangul en Macintosh .
  47. 1 2 Apple (05-04-2005). "Mapa (versión externa) de la codificación coreana de Mac OS a Unicode 3.2 y posterior" . Consorcio Unicode .
  48. ↑ Kim, Kyongsok (30-11-2002). "Tablas de referencias cruzadas de 3 vías: KS X 1001, KPS 9566 y UCS" (PDF) . ISO/IEC JTC 1/SC 2 /WG 2 N2564.[Nota: enlaces actualizados para las tablas que acompañan al documento:]
  49. ↑ Chung, Jaemin (2018-01-05). "Información sobre la versión más reciente de KPS 9566 (KPS 9566-2011?)" (PDF) . UTC L2/18-011.
  50. ↑ IBM (2001-05-07). "solaris-eucTH-2.7" . icu-data . Unicode Consortium / International Components for Unicode .
  • Tabla de codificación EUC-JP (sin las partes ASCII y de ancho reducido )
  • Identificadores de página de códigos
  • GB18030-2000 – La nueva norma nacional china  (actualizada posteriormente a GB18030-2022 , que es (ligeramente) incompatible).
  • La nueva generación de software de preimpresión en China menciona el código 748. 
  • Descripción del código EUC-TW (en chino)
  • Página del manual de EUC-JISX0213 en el módulo Perl Encode.
  • Registro internacional de conjuntos de caracteres codificados que se utilizarán con secuencias de escape – sección 2.4 (pág. 14 y siguientes) con los conjuntos de caracteres codificados de China, Japón, Corea del Sur, Corea del Norte y Taiwán (ISO/IEC)  
  • Estándares de conjuntos de caracteres y sistemas de codificación chinos, japoneses y coreanos
Obtenido de " https://en.wikipedia.org/w/index.php?title=Extended_Unix_Code&oldid=1361618053#EUC-KR "
Lecturas relacionadas
6 articulos
Codificación de caracteresCodificación de caracteresLa codificación de caracteres es el proceso de asignar números a caracteres gráficos , especialmente a los caracteres escritos del lenguaje humano ...Página del Man'yōshūIdioma japonésJaponés ( 日本語 , Nihongo , [ɲihoŋɡo] ⓘ ) es el idioma principal de la familia de lenguas japonesas hablado por el pueblo japonés . Tiene alrededor d...Idioma coreanoIdioma coreanoEl coreano ( en coreano del sur : 한국어 , Hangugeo ; en coreano del norte : 조선어 , Chosŏnŏ ) es el idioma nativo de aproximadamente 81 millones de per...Caracteres chinos simplificadosCaracteres chinos simplificadosLos caracteres chinos simplificados son uno de los dos conjuntos de caracteres estandarizados que se utilizan ampliamente para escribir el idioma c...Codificación de ancho variableUna codificación de ancho variable es un tipo de esquema de codificación de caracteres en el que se utilizan códigos de diferentes longitudes para ...ASCIIASCII ( / ˈ æ s k iː / ⓘ ASS -kee ), [3] : 6 acrónimo de American Standard Code for Information Interchange , es un estándar de codificación de car...