página de códigos de Windows

Las páginas de códigos de Windows son conjuntos de caracteres o páginas de códigos (conocidas como codificaciones de caracteres en otros sistemas operativos) utilizadas en Microsoft Windows desde las décadas de 1980 y 1990. Las páginas de códigos de Windows fueron reemplazadas gradualmente con la implementación de Unicode en Windows , aunque todavía son compatibles tanto en Windows como en otras plataformas, y siguen aplicándose al usar atajos de teclado con la tecla Alt .

Las versiones actuales de Windows admiten Unicode ; las nuevas aplicaciones de Windows deberían usar Unicode (UTF-8) y no codificaciones de caracteres de 8 bits. ^{[ 1 ]}

En los sistemas Windows existen dos grupos de páginas de códigos del sistema: las páginas de códigos OEM y las páginas de códigos nativas de Windows ("ANSI"). (ANSI son las siglas del Instituto Nacional Estadounidense de Estándares ). Las páginas de códigos de ambos grupos son páginas de códigos ASCII extendidas . Las rutinas de conversión estándar de Windows admiten páginas de códigos adicionales, pero estas no se utilizan como páginas de códigos del sistema.

Las páginas de códigos ANSI (oficialmente llamadas "páginas de códigos de Windows" ^{[ 2 ]} después de que Microsoft aceptara que el término anterior era un nombre inapropiado ^{[ 3 ]} ) se utilizan para aplicaciones nativas no Unicode (es decir, orientadas a bytes ) que utilizan una interfaz gráfica de usuario en sistemas Windows. El término "ANSI" es un nombre inapropiado porque estas páginas de códigos de Windows no cumplen con ningún estándar ANSI (Instituto Nacional Estadounidense de Estándares) ; la página de códigos 1252 se basó en un borrador ANSI inicial que se convirtió en el estándar internacional ISO 8859-1 ^{[ 3 ]} , que agrega 32 códigos de control adicionales y espacio para 96 ​​caracteres imprimibles. Entre otras diferencias, las páginas de códigos de Windows asignan caracteres imprimibles al espacio suplementario de códigos de control, lo que los hace, en el mejor de los casos, ilegibles para los sistemas operativos que cumplen con los estándares. ^{[ a ]}

La mayoría de las páginas de códigos ANSI heredadas tienen números de página de códigos con el patrón 125x. Sin embargo, la página 874 (tailandesa) y las páginas de códigos ANSI multibyte de Asia Oriental ( 932 , 936 , 949 , 950 ), que también se utilizan como páginas de códigos OEM, están numeradas para coincidir con las codificaciones de IBM, ninguna de las cuales es idéntica a las codificaciones de Windows (aunque la mayoría son similares). Si bien la página de códigos 1258 también se utiliza como página de códigos OEM, es original de Microsoft y no una extensión de una codificación existente. IBM ha asignado sus propios números diferentes para las variantes de Microsoft, que se proporcionan como referencia en las listas a continuación cuando corresponda.

Todas las páginas de códigos de Windows 125x, así como la 874 y la 936, están etiquetadas por la Autoridad de Números Asignados de Internet (IANA) como " número de Windows ", aunque "Windows-936" se trata como sinónimo de " GBK ". La página de códigos de Windows 932, en cambio, está etiquetada como "Windows-31J". ^{[ 4 ]}

Las páginas de códigos ANSI Windows, y especialmente la página de códigos 1252 , se denominaron así porque supuestamente se basaban en borradores presentados o destinados a ANSI. Sin embargo, ANSI e ISO no han estandarizado ninguna de estas páginas de códigos. En cambio, son: ^{[ 3 ]}

• Superconjuntos de los conjuntos estándar como los de ISO 8859 y los diversos estándares nacionales (como Windows-1252 frente a ISO-8859-1 ),
• Modificaciones importantes de estos (que los hacen incompatibles en diversos grados, como Windows-1250 frente a ISO-8859-2 )
• No cuenta con codificación paralela (como Windows-1257 frente a ISO-8859-4 ; ISO-8859-13 se introdujo mucho más tarde). Además, Windows-1251 no sigue ni el estándar ISO-8859-5 ni el entonces predominante KOI-8 .

Microsoft asignó aproximadamente doce caracteres tipográficos y comerciales (incluido, notablemente, el símbolo del euro , €) en CP1252 a los puntos de código 0x80–0x9F que, en ISO 8859, están asignados a los códigos de control C1 . Estas asignaciones también están presentes en muchas otras páginas de códigos ANSI/Windows en los mismos puntos de código. Windows no utilizaba los códigos de control C1, por lo que esta decisión no tuvo un efecto directo en los usuarios de Windows. Sin embargo, si se incluía en un archivo transferido a una plataforma compatible con estándares como Unix o macOS, la información era invisible y potencialmente perjudicial. ^{[ a ]}

Las páginas de códigos OEM ( fabricante de equipos originales ) son utilizadas por las aplicaciones de consola Win32 y por DOS virtual , y pueden considerarse un vestigio de DOS y de la arquitectura original del IBM PC . Se implementó un conjunto independiente de páginas de códigos no solo por compatibilidad, sino también porque las fuentes del hardware VGA (y sus derivados) sugieren que la codificación de caracteres de dibujo de líneas sea compatible con la página de códigos 437. La mayoría de las páginas de códigos OEM comparten muchos puntos de código, en particular para caracteres que no son letras, con la segunda mitad (no ASCII) de CP437.

Una página de códigos OEM típica, en su segunda mitad, no se parece en nada a ninguna página de códigos ANSI/Windows. Sin embargo, se utilizan dos páginas de códigos de un byte y ancho fijo (874 para tailandés y 1258 para vietnamita ) y cuatro páginas de códigos CJK multibyte ( 932 , 936 , 949 , 950 ) como páginas de códigos OEM y ANSI. La página de códigos 1258 utiliza diacríticos combinativos , ya que el vietnamita requiere más de 128 combinaciones de letras y diacríticos. Esto contrasta con VISCII , que reemplaza algunos de los códigos de control C0 (es decir, ASCII).

Los primeros sistemas informáticos tenían almacenamiento limitado y restringían la cantidad de bits disponibles para codificar un carácter . Si bien las codificaciones propietarias anteriores tenían menos bits, el Código Estándar Estadounidense para el Intercambio de Información (ASCII) se decantó por siete bits: esto era suficiente para codificar un subconjunto de 96 caracteres utilizados en EE. UU. A medida que los bytes de ocho bits se hicieron predominantes, Microsoft (y otros) ampliaron el repertorio a 224 para abarcar diversos usos, como los símbolos de dibujo de cajas. La necesidad de proporcionar caracteres precompuestos para los mercados de Europa Occidental y Sudamérica requirió un conjunto de caracteres diferente: Microsoft estableció el principio de las páginas de códigos, una para cada alfabeto. Para las escrituras segmentales utilizadas en la mayor parte de África, América, el sur y sureste de Asia, Oriente Medio y Europa, un carácter necesita solo un byte, pero se necesitan dos o más bytes para los conjuntos ideográficos utilizados en el resto del mundo. El modelo de páginas de códigos no pudo abordar este desafío.

Desde finales de la década de 1990, el software y los sistemas han adoptado Unicode como su formato de codificación de caracteres preferido: Unicode está diseñado para manejar millones de caracteres. Todos los productos e interfaces de programación de aplicaciones actuales de Microsoft utilizan Unicode internamente, pero algunas aplicaciones siguen utilizando la codificación predeterminada de la configuración regional del equipo al leer y escribir datos de texto en archivos o en la salida estándar. Por lo tanto, es posible encontrar archivos que sean legibles e inteligibles en una parte del mundo, pero ilegibles en otra.

Microsoft adoptó una codificación Unicode (primero la ahora obsoleta UCS-2 , que entonces era la única codificación de Unicode), es decir, UTF-16 para todos sus sistemas operativos desde Windows NT en adelante, pero además admite UTF-8 (también conocido como CP_UTF8) desde la versión 1803 de Windows 10. [ ^{5 ] UTF} -16 y UCS-2 pueden en teoría codificar todos los puntos de código Unicode en el Plano Multilingüe Básico (BMP) en un solo punto de código de 16 bits pero el Unicode restante (por ejemplo, emojis o algunos caracteres chinos) necesitan más bytes e incluso las letras que están dentro del BMP como é tienen representaciones tanto en UTF-8 como en UTF-16 que requieren múltiples puntos de código. UCS-2, al ser una codificación de un solo punto de código, ni siquiera podía representar todas las letras que solo usan puntos de código dentro del BMP (por ejemplo, ā́ usa múltiples puntos de código y, por lo tanto, no se puede representar en UCS-2). Con el cambio de UCS-2 a UTF-16, perdió su única ventaja, pero ganó la capacidad de representar todo Unicode. El resto de la industria ( sistemas tipo Unix y la web), y ahora Microsoft, optaron por UTF-8 (que es compatible con el conjunto de caracteres ASCII de 7 bits ).

Existen las siguientes páginas de código de Windows:

Estas nueve páginas de códigos son codificaciones SBCS ASCII de 8 bits extendidas y fueron diseñadas por Microsoft para usarse como páginas de códigos ANSI en Windows. Se las conoce comúnmente por sus nombres registrados en IANA ^{[ 6 ]} como , pero también se las llama a veces , "cp" por "página de códigos". Todas se usan como páginas de códigos ANSI; Windows-1258 también se usa como página de códigos OEM. windows-<number>cp<number>

La serie Windows-125x incluye nueve páginas de códigos ANSI y abarca principalmente alfabetos de Europa y Asia Occidental, con la adición de Vietnam . Las codificaciones del sistema para el tailandés y los idiomas de Asia Oriental se numeraron para que coincidieran con páginas de códigos IBM similares y se utilizan como páginas de códigos ANSI y OEM; estas se tratan en las secciones siguientes.

También se basan en ASCII. La mayoría se incluyen para su uso como páginas de códigos OEM; la página de códigos 874 también se utiliza como página de códigos ANSI.

Estas a menudo difieren de las páginas de códigos de IBM del mismo número: las páginas de códigos 932, 949 y 950 solo coinciden parcialmente con las páginas de códigos de IBM del mismo número, mientras que el número 936 fue utilizado por IBM para otra codificación de chino simplificado que ahora está en desuso y Windows-951, como parte de una solución provisional , no tiene relación con IBM-951. Las páginas de códigos equivalentes de IBM se muestran en la segunda columna. Las páginas de códigos 932, 936, 949 y 950/951 se utilizan como páginas de códigos ANSI y OEM en las configuraciones regionales en cuestión.

Se admiten algunas páginas de código de varios bytes adicionales para la decodificación o codificación mediante bibliotecas del sistema operativo, pero no se utilizan como ningún tipo de codificación del sistema en ninguna configuración regional.

Microsoft recomienda encarecidamente el uso de Unicode en las aplicaciones modernas, pero muchas aplicaciones o archivos de datos todavía dependen de las páginas de códigos antiguas.

• Los programas necesitan saber qué página de códigos usar para mostrar correctamente el contenido de los archivos (anteriores a Unicode). Si un programa usa la página de códigos incorrecta, puede mostrar el texto como caracteres ilegibles .
• La página de códigos utilizada puede variar entre máquinas, por lo que los archivos (anteriores a Unicode) creados en una máquina pueden resultar ilegibles en otra.
• Con frecuencia, los datos no están etiquetados correctamente con la página de códigos, o no están etiquetados en absoluto, lo que dificulta determinar la página de códigos correcta para leer los datos.
• Estas páginas de código de Microsoft difieren en diversos grados de algunos estándares y de las implementaciones de otros proveedores. Esto no es un problema exclusivo de Microsoft , ya que ocurre con todos los proveedores, pero la falta de coherencia dificulta la interoperabilidad con otros sistemas en algunos casos.
• El uso de páginas de códigos limita el conjunto de caracteres que se pueden utilizar.
• Los caracteres expresados ​​en una página de códigos no compatible pueden convertirse en signos de interrogación (?) u otros caracteres de reemplazo , o en una versión más simple (como eliminar los acentos de una letra). En ambos casos, el carácter original puede perderse.

• Referencia de la API de soporte de idiomas nacionales (NLS) . Tabla que muestra las páginas de códigos ANSI y OEM por idioma (del archivo web, ya que Microsoft eliminó la página original).
• Registros de nombres de conjuntos de caracteres de IANA
• Tabla de asignación Unicode para las páginas de códigos de Windows
• Asignaciones Unicode de páginas de códigos de Windows con "ajuste óptimo"