UTF-EBCDIC

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher

UTF-EBCDIC est un codage de caractères utilisé pour représenter les caractères Unicode. Il est conçu pour être compatible avec l’EBCDIC, de sorte que les applications EBCDIC existantes sur les mainframes puissent accepter et traiter les caractères sans grosse difficulté. Ses avantages pour les systèmes existants basés sur l’EBCDIC sont similaires à ceux de l’UTF-8 pour les systèmes basés sur l’ASCII. Les détails sur la transformation UTF-EBCDIC sont définis dans le Rapport technique Unicode n°16 (UTR #16).

Transformation d'un point de code Unicode en séquence UTF-EBCDIC[modifier | modifier le code]

Transformation intermédiaire UTF-8-Mod[modifier | modifier le code]

Pour produire la version encodée en UTF-EBCDIC d'une suite de points de code Unicode, une première transformation intermédiaire, similaire à l’UTF-8 (désignée dans les spécifications comme UTF-8-Mod), est d'abord appliquée ; la principale différence entre cette transformation intermédiaire et l’UTF-8 est qu’elle permet de représenter les points de code 0+0080 à U+009F (les caractères de contrôle C1) sur un seul octet, et de continuer à les utiliser en tant que codes de contrôle EBCDIC.

Pour y parvenir, le motif binaire 101xxxxx a été utilisé au lieu de 10xxxxxx pour représenter les octets finals d’une séquence multi-octet représentant un seul point de code. Puisque cela ne laisse que 5 bits significatifs au lieu de 6 pour les octets finals, l’UTF-EBCDIC produira souvent un résultat un peu plus long que celui obtenu avec l’UTF-8, pour les mêmes données d’entrée.

Le rapport technique n°16 stipule que le résultat de la première transformation UTF-8-Mod ne doit pas être utilisé pour les communications entre systèmes.

Permutation finale, compatible ISO-8859 vers EBCDIC[modifier | modifier le code]

Correspondance des octets UTF-8-Mod en octets UTF-EBCDIC
Quartet
haut
Quartet bas (toutes les valeurs sont en hexadécimal)
...0 ...1 ...2 ...3 ...4 ...5 ...6 ...7 ...8 ...9 ...A ...B ...C ...D ...E ...F
0... 00 01 02 03 37 2D 2E 2F 16 05 15 0B 0C 0D 0E 0F
1... 10 11 12 13 3C 3D 32 26 18 19 3F 27 1C 1D 1E 1F
2... 40 5A 7F 7B 5B 6C 50 7D 4D 5D 5C 4E 6B 60 4B 61
3... F0 F1 F2 F3 F4 F5 F6 F7 F8 F9 7A 5E 4C 7E 6E 6F
4... 7C C1 C2 C3 C4 C5 C6 C7 C8 C9 D1 D2 D3 D4 D5 D6
5... D7 D8 D9 E2 E3 E4 E5 E6 E7 E8 E9 AD E0 BD 5F 6D
6... 79 81 82 83 84 85 86 87 88 89 91 92 93 94 95 96
7... 97 98 99 A2 A3 A4 A5 A6 A7 A8 A9 C0 4F D0 A1 07
8... 20 21 22 23 24 25 06 17 28 29 2A 2B 2C 09 0A 1B
9... 30 31 1A 33 34 35 36 08 38 39 3A 3B 04 14 3E FF
A... 41 42 43 44 45 46 47 48 49 4A 51 52 53 54 55 56
B... 57 58 59 62 63 64 65 66 67 68 69 6A 70 71 72 73
C... (74) (75) (76) (77) (78) 80 8A 8B 8C 8D 8E 8F 90 9A 9B 9C
D... 9D 9E 9F A0 AA AB AC AE AF B0 B1 B2 B3 B4 B5 B6
E... (B7) B8 B9 BA BB BC BE BF CA CB CC CD CE CF DA DB
F... DC DD DE DF E1 EA EB EC ED EE (EF) (FA) (FB) (FC) (FD) (FE)

Notes :

  • les octets de séquences UTF-8-Mod 0xC0..0xC4 et 0xE0, ainsi que les octets correspondants
    UTF-EBCDIC 0x74...0x78 et 0xB7 ne seront pas utilisés avec les séquences les plus courtes.
  • les octets de séquences UTF-8-Mod 0xFA..0xFF, ainsi que les octets correspondants
    UTF-EBCDIC 0xEF et 0xFA...0xFE ne seront pas utilisés pour le codage d’Unicode, mais uniquement pour
    les codets de l’UCS-4 de l’ancienne norme ISO 10646:2000, étendu à 31 bits par point de code.

La table montre en italique et petits caractères entre parenthèses les entrées correspondantes.

La transformation intermédiaire précédente laisse les données dans un format basé sur l’ISO 8859 (donc aussi compatible avec ISO 646 dont l’ASCII, et avec MIME), aussi une transformation réversible de permutation d’octets est opérée sur les séquences d’octets intermédiaires, afin de les rendre aussi proche que possible de l’EBCDIC au moyen d’une table de correspondance.

Toutefois cela n’est possible que pour les positions invariantes de l’EBCDIC, la table de permutation étant basée directement sur la transformation réversible de la version américaine de l’ISO 646 (communément appelée ASCII) en la version américaine de l’EBCDIC : l’UTF-EBCDIC ne définit ni n’utilise aucune autre table de transformation pour les autres versions nationales de l’ISO 646 et de l’EBCDIC.

Transformation inverse de l’UTF-8 vers un point de code Unicode[modifier | modifier le code]

Ces deux étapes précédentes peuvent être facilement inversées pour retrouver les points de code Unicode.

  • La seconde étape sera d’abord inversée par l'utilisation d’une seconde table de permutation inverse (ci-dessous), pour produire des séquences d’octets transformées en UTF-8-Mod : cette table est en fait une table de permutation des 256 valeurs possibles d’octets, et est l’exacte inverse de la table de la section précédente.
  • Puis la première étape sera inversée algorithmiquement.
Correspondance des octets UTF-EBCDIC en octets UTF-8-Mod
Quartet
haut
Quartet bas (toutes les valeurs sont en hexadécimal)
...0 ...1 ...2 ...3 ...4 ...5 ...6 ...7 ...8 ...9 ...A ...B ...C ...D ...E ...F
0... 00 01 02 03 9C 09 86 7F 97 8D 8E 0B 0C 0D 0E 0F
1... 10 11 12 13 9D 0A 08 87 18 19 92 8F 1C 1D 1E 1F
2... 80 81 82 83 84 85 17 1B 88 89 8A 8B 8C 05 06 07
3... 90 91 16 93 94 95 96 04 98 99 9A 9B 14 15 9E 1A
4... 20 A0 A1 A2 A3 A4 A5 A6 A7 A8 A9 2E 3C 28 2B 7C
5... 26 AA AB AC AD AE AF B0 B1 B2 21 24 2A 29 3B 5E
6... 2D 2F B3 B4 B5 B6 B7 B8 B9 BA BB 2C 25 5F 3E 3F
7... BC BD BE BF (C0) (C1) (C2) (C3) (C4) 60 3A 23 40 27 3D 22
8... C5 61 62 63 64 65 66 67 68 69 C6 C7 C8 C9 CA CB
9... CC 6A 6B 6C 6D 6E 6F 70 71 72 CD CE CF D0 D1 D2
A... D3 7E 73 74 75 76 77 78 79 7A D4 D5 D6 5B D7 D8
B... D9 DA DB DC DD DE DF (E0) E1 E2 E3 E4 E5 5D E6 E7
C... 7B 41 42 43 44 45 46 47 48 49 E8 E9 EA EB EC ED
D... 7D 4A 4B 4C 4D 4E 4F 50 51 52 EE EF F0 F1 F2 F3
E... 5C F4 53 54 55 56 57 58 59 5A F5 F6 F7 F8 F9 (FA)
F... 30 31 32 33 34 35 36 37 38 39 (FB) (FC) (FD) (FE) (FF) 9F

Notes :

  • La table est arrangée pour faire correspondre exactement le codage EBCDIC équivalent au jeu de caractères latins de base de l’US-ASCII et aux caractères de contrôle, qui restent codés sur un seul octet :
    • sur fond rouge, les positions correspondent aux caractères de contrôle C0, commun aussi à tous les jeux compatibles avec l’ISO 646 ;
    • sur fond mauve, les positions correspondent aux caractères de contrôle C1, réservés par l’EBCDIC les jeux de l’ISO 8859 ;
    • sur fond blanc, les positions invariantes des caractères graphiques de l’ISO 646 ;
    • sur fond jaune, les positions variantes des caractères graphiques de l’ISO 646, codées ici pour correspondre à la variante américaine US-ASCII de l’ISO 646 et la variante américaine de l’EBCDIC.
  • Les autres positions sont toutes assignées à des caractères graphiques mais sont variantes selon les divers jeux EBCDIC (et sont parfois aussi utilisées pour coder des caractères de l’US-ASCII dans des variantes nationales de l’EBCDIC. Ces positions sont utilisées pour coder en UTF-EBCDIC des caractères Unicode hors des caractères graphiques de l’US-ASCII et des caractères de contrôle C0 et C1 :
    • sur fond bleu, ces positions correspondent aux octets de queue, en nombre variable après toujours un unique octet préfixe ;
    • sur fond vert, ces positions codifient des octets de préfixe qui déterminent également, selon leur valeur, la longueur des séquences d’octets utilisées, et sont normalement toujours suivies d’un ou plusieurs octets de queue.
    • parmi ces dernières position, la table montre en italique, petits caractères et entre parenthèses les entrées correspondant aux octets de préfixes de séquences normalement non utilisées dans le codage normalisé pour les échanges interopérables entre systèmes :
    • les octets de séquences UTF-8-Mod 0xC0..0xC4 et 0xE0, ainsi que les octets correspondants
      UTF-EBCDIC 0x74...0x78 et 0xB7 ne seront pas utilisés avec les séquences les plus courtes possibles (les seules qui soient intéropérables)  ;
    • les octets de séquences UTF-8-Mod 0xFA..0xFF, ainsi que les octets correspondants
      UTF-EBCDIC 0xEF et 0xFA...0xFE ne seront pas utilisés pour le codage d’Unicode, mais uniquement pour
      les codets de l’UCS-4 de l’ancienne norme ISO 10646:2000, étendu à 31 bits par point de code.

Détection des octets de tête dans les textes contenant des séquences UTF-EBCDIC[modifier | modifier le code]

Drapeaux de longueur de séquence associés aux octets UTF-EBCDIC
Quartet
haut
Quartet bas (toutes les valeurs sont en hexadécimal)
...0 ...1 ...2 ...3 ...4 ...5 ...6 ...7 ...8 ...9 ...A ...B ...C ...D ...E ...F
0... 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1... 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2... 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3... 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4... 1 9 9 9 9 9 9 9 9 9 9 1 1 1 1 1
5... 1 9 9 9 9 9 9 9 9 9 1 1 1 1 1 1
6... 1 1 9 9 9 9 9 9 9 9 9 1 1 1 1 1
7... 9 9 9 9 (2) (2) (2) (2) (2) 1 1 1 1 1 1 1
8... 2 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2
9... 2 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2
A... 2 1 1 1 1 1 1 1 1 1 2 2 2 1 2 2
B... 2 2 2 2 2 2 2 (3) 3 3 3 3 3 1 3 3
C... 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3
D... 1 1 1 1 1 1 1 1 1 1 3 3 4 4 4 4
E... 1 4 1 1 1 1 1 1 1 1 4 4 4 5 5 (5)
F... 1 1 1 1 1 1 1 1 1 1 (5) (6) (6) (7) (7) 0
Légende
0 Caractère de contrôle C0 représenté sur 1 octet
0 Caractère de contrôle C1 représenté sur 1 octet
1 Caractère graphique variant dans l’ISO 646 ou EBCDIC représenté sur 1 octet
1 Caractère graphique invariant de l’ISO 646 et EBCDIC représenté sur 1 octet
2 Premier octet d’un point de code représenté sur 2 octets Voir note 1
3 Premier octet d’un point de code représenté sur 3 octets
4 Premier octet d’un point de code représenté sur 4 octets
5 Premier octet d’un point de code représenté sur 5 octets
(5) Premier octet d’un point de code représenté sur 5 octets Voir note 2
(6) Premier octet d’un point de code représenté sur 6 octets
(7) Premier octet d’un point de code représenté sur 7 octets
9 Octet de queue d’un caractère codé sur plusieurs octets

Notes :

  1. les octets de séquences UTF-8-Mod 0xC0..0xC4 et 0xE0, ainsi que les octets correspondants
    UTF-EBCDIC 0x74...0x78 et 0xB7 ne seront pas utilisés avec les séquences les plus courtes.
  2. les octets de séquences UTF-8-Mod 0xFA..0xFF, ainsi que les octets correspondants
    UTF-EBCDIC 0xEF et 0xFA...0xFE ne seront pas utilisés pour le codage d’Unicode, mais uniquement pour
    les codets de l’UCS-4 de l’ancienne norme ISO 10646:2000, étendu à 31 bits par point de code.

La table montre en italique et petits caractères entre parenthèses les entrées correspondantes.

Un défaut de l’UTF-EBCDIC est qu’il n’est pas simple de détecter, dans un texte codé en UTF-EBCDIC, quels octets délimitent chaque séquence.

En effet, ils sont dispersés parmi les 256 valeurs possibles, et la technique courante nécessite une table de correspondance permettant de savoir si un octet isolé représente un caractère (sauf pour les codes de contrôle C0 et C1 groupés entre 0x00 et 0x3F ou le caractère d’oblitération (DEL) codé 0xfF dans toutes les versions de l’EBCDIC), ou si c'est un octet de queue ou un octet de tête indiquant la longueur effective de la séquence.

Cette table de correspondance est décrite dans le Rapport technique n°16 et contient des drapeaux (shadow flags) pour chaque valeur d’octet possible. Son coût algorithmique et en termes de performance est non négligeable, et finalement similaire à celui de la table de permutation utilisée dans la deuxième étape de transformation depuis l’UTF-EBCDIC. Son intérêt reste très limité en termes de performance, puisqu’il faut encore traiter spécialement les octets finals (tous identifiés par le même drapeau car on ne peut connaître leur position relative dans la séquence uniquement depuis leur seule valeur d’octet) et procéder à des boucles supplémentaires de lecture et de test pour trouver le premier octet de la séquence.

Aussi, de nombreuses implémentations de l’UTF-EBCDIC se contentent uniquement de la table de permutation inverse des octets UTF-EBCDIC vers UTF-8-Mod, et se passent de la table de drapeaux. Ils effectuent alors un simple test de valeur, sachant que dans UTF-8-Mod, les octets de queue obéissent tous à la condition très simple à tester (écrite ici en syntaxe des langages C, C++, Java ou C#) :

(octet & 0xE0) == 0xA0

Utilisation de l’UTF-EBCDIC[modifier | modifier le code]

Généralement, cet encodage est rarement utilisé, même sur les mainframes basé sur l’EBCDIC et pour lesquels cet encodage a été conçu. Les systèmes de mainframes IBM basés sur l’EBCDIC, comme z/OS ou MVS, utilisent aujourd’hui généralement l’UTF-16 pour un support complet d’Unicode : par exemple, DB2 UDB, COBOL, PL/I, Java et la boîte d’outils IBM pour XML supportent tous l’UTF-16 sur les systèmes IBM.

Extension sur 32 bits à usage interne[modifier | modifier le code]

La transformation UTF-EBCDIC peut être parfois étendue pour faciliter les traitements internes, en considérant que les séquences UTF-EBCDIC limitées à 4 octets peuvent coder tout point de code jusqu’à la fin du plan supplémentaire n°3 (c'est àdire jusqu’à U+3FFFF). Ainsi, il est possible de représenter (de façon interne uniquement) tous les points de code du plan multilingue de base sous une forme comparable à l’UTF-16, en représentant aussi les codes de demi-zone (surrogates) de l’UTF-16. On obtient alors facilement un codet sur 32 bits, qui reste compatible avec l’EBCDIC pour chaque point de code du BMP, et deux codets de 32 bits chacun pour représenter les points de code des plans supplémentaires.

Cette représentation alternative ne doit pas être utilisée dans les échanges entre systèmes, mais uniquement pour faciliter et optimiser les interfaces de programmation interne où les caractères EBCDIC sont échangés dans des codets (en mémoire) de 32 bits, ce qui limite alors le nombre de tests de valeurs et évite le recours systématique aux tables de permutation pour tester les étendues de caractères lors de traitements complexes ou volumineux de textes (l’utilisation systématique des tables de permutation est une opération coûteuse en termes de performance, si on la compare à un simple test basé sur les intervalles de valeurs des codets de 32 bits).

Actuellement cette représentation interne n’a aucune dénomimation officielle bien définie, même si certains l’appellent UTF-16-Mod ou UTF-16-EBCDIC (dénominations impropres car cette transformation crée des codets de 32 bits représentant chacun un codet de 16 bits de l’UCS-2).

Son intérêt par rapport à la représentation intermédiaire UTF-8-Mod est qu’il devient possible d’éviter l’utilisation de toute table pour savoir si un codet est le premier d’une séquence ou l’un des codets finals. En effet, les codets des demi-zones de l’UTF-16 (qui permettent de savoir si un codet est le premier ou le second d’une séquence) sont représentés aussi dans des intervalles contigus de codets sur 32 bits dans cette représentation, ce qui facilite leur détection par un test arithmétique uniquement et qui permet de savoir si un codet 32-bit est le premier ou le second représentant un point de code supplémentaire, ou si le codet de 32 bits est isolé et représente un point de code du BMP. D’autre part, cette représentation interne préserve aussi les valeurs de tous les caractères EBCDIC invariants.

Toutefois la transformation d’une séquence UTF-EBCDIC dans cette représentation interne sur 32 bits nécessite de savoir quels octets délimitent une séquence UTF-EBCDIC, ce qui nécessite une table de drapeaux (appelée show flags) pour interpréter correctement l’UTF-EBCDIC. Mais l’inverse est immédiat et ne nécessite aucune table (la transformation inverse sefaisant par simple décalages binaires et tests desvaleurs nulles poursavoir si un ou plusieurs octets doivent être émis dans l’UTF-EBCDIC.

Si le stockage n’est pas important et ne concerne que des quantités limitées de caractères, cette représentation sera plus rapide (par exemple comme étape intermédiaire pour transformer un texte UTF-EBCDIC en majuscules quand on dispose de tables ou d'algorithmes basées sur l’EBCDIC, ou comme étape intermédiaire du calcul de clés de collation basées sur l’EBCDIC ou l’UTF-EBCDIC, ou en interne dans des analyseurs lexicaux traitant des textes codés en EBCDIC ou UTF-EBCDIC).

Par contre, son principal défaut est évidemment sa taille, double de l’UTF-16 (c’est pourquoi les bases de données préfèrent indexer ou stocker les textes et clés de recherche en utilisant l’UTF-16 plus compact).

Voir aussi[modifier | modifier le code]

Liens internes[modifier | modifier le code]

Liens externes[modifier | modifier le code]