Cap. 11. Conversia datelor

	Indicație
	iconv(1) este furnizat ca parte a pachetului libc6 și este întotdeauna disponibil pe practic toate sistemele de tip Unix pentru a converti codificarea caracterelor.

Puteți converti codificările unui fișier text cu iconv(1) după cum urmează.

$ iconv -f encoding1 -t encoding2 input.txt >output.txt

Valorile de codificare nu țin cont de diferențele între majuscule și minuscule și ignoră „-” și „_” pentru potrivire. Codificările acceptate pot fi verificate cu comanda „iconv -l”.

	Notă
	Unele codificări sunt acceptate numai pentru conversia datelor și nu sunt utilizate ca valori pentru configurația regională (Secțiune 8.1, „Configurația regională”).

Pentru seturile de caractere care se încadrează într-un singur octet, cum ar fi seturile de caractere ASCII și ISO-8859, codificarea caracterelor înseamnă aproape același lucru cu setul de caractere.

Pentru seturile de caractere cu multe caractere, cum ar fi JIS X 0213 pentru japoneză sau Universal Character Set (UCS, Unicode, ISO-10646-1) pentru practic toate limbile, există multe scheme de codificare pentru a le încadra în secvența de octeți de date.

Pentru acestea, există diferențe clare între setul de caractere și codificarea caracterelor.

Pagina de coduri este utilizată ca sinonim pentru tabelele de codificare a caracterelor pentru unele tabele specifice anumitor furnizori.

Notă

Vă rugăm să rețineți că majoritatea sistemelor de codificare utilizează același cod ASCII pentru caracterele de 7 biți. Există însă și câteva excepții. Dacă convertiți programe C japoneze vechi și date URL din formatul de codificare numit în mod obișnuit shift-JIS în format UTF-8, utilizați „CP932” ca nume de codificare în loc de „shift-JIS” pentru a obține rezultatele dorite: 0x5C → „\” și 0x7E → „~”. În caz contrar, acestea sunt convertite în caractere greșite.

	Indicație
	recode(1) poate fi utilizat și oferă mai multe funcționalități decât iconv(1), fromdos(1), todos(1), frommac(1) și tomac(1) combinate. Pentru mai multe informații, consultați „info recode”.

#!/bin/sh
ENCDN=iso-8859-1
for x in *;
 do
 mv "$x" "$(echo "$x" | iconv -f $ENCDN -t utf-8)"
done

Variabila „$ENCDN” specifică codificarea originală utilizată pentru numele fișierelor în sistemele de operare mai vechi, ca în Tabel 11.2, „Lista valorilor de codificare și utilizarea acestora”.

Pentru cazuri mai complicate, vă rugăm să montați un sistem de fișiere (de exemplu, o partiție pe un disc) care conține astfel de nume de fișiere cu codificare adecvată, utilizând opțiunea mount(8) (a se vedea Secțiune 8.1.3, „Codificarea numelor de fișiere”) și copiați întregul conținut al acestuia într-un alt sistem de fișiere montat ca UTF-8 cu comanda „cp -a”.

$ vim u-file.txt

$ vim '+e ++enc=latin2 pu-file.txt'

$ vim '+e ++enc=eucJP ju-file.txt'

$ vim '+e ++enc=CP932 ++ff=dos jw-file.txt'

Consultați mbyte.txt „suport pentru text multi-octeți” în ajutorul în Internet al vim și Tabel 11.2, „Lista valorilor de codificare și utilizarea acestora” pentru valorile configurației regionale utilizate cu „++enc”.

Familia de programe emacs poate îndeplini funcții echivalente.

Textul XML arată aproximativ precum HTML. Acesta ne permite să gestionăm mai multe formate de ieșire pentru un document. Un sistem XML simplu este pachetul docbook-xsl, care este utilizat aici.

Fiecare fișier XML începe cu o declarație XML standard, după cum urmează.

<?xml version="1.0" encoding="UTF-8"?>

Sintaxa de bază pentru un element XML este marcată după cum urmează.

<name attribute="value">content</name>

Elementul XML cu conținut gol este marcat în următoarea formă scurtă.

<name attribute="value" />

„attribute="value"” din exemplele de mai sus sunt opționale.

Secțiunea de comentarii în XML este marcată după cum urmează.

<!-- comment -->

În afară de adăugarea de marcaje, XML necesită o conversie minoră a conținutului utilizând entități predefinite pentru următoarele caractere.

	Atenție
	„<” sau „&” nu pot fi utilizate în atribute sau elemente.

	Notă
	Când se utilizează entități definite de utilizator în stil SGML, de exemplu „&anumită-etichetă;”, prima definiție prevalează asupra celorlalte. Definiția entității este exprimată în „<!ENTITY anumită-etichetă "valoare entitate">”.

	Notă
	Atâta timp cât marcajul XML este realizat în mod consecvent cu un anumit set de nume de etichete (fie unele date ca conținut, fie valori de atribute), conversia într-un alt XML este o sarcină trivială folosind Extensible Stylesheet Language Transformations (XSLT).

Există multe instrumente disponibile pentru procesarea fișierelor XML, cum ar fi Extensible Stylesheet Language (XSL).

Practic, odată ce ați creat un fișier XML bine structurat, îl puteți converti în orice format folosind Extensible Stylesheet Language Transformations (XSLT).

Extensible Stylesheet Language for Formatting Objects (XSL-FO) este considerat a fi soluția pentru formatare. Pachetul fop este nou în arhiva Debian main datorită dependenței sale de limbajul de programare Java. Deci, codul LaTeX este de obicei generat din XML folosind XSLT, iar sistemul LaTeX este utilizat pentru a crea fișiere imprimabile, cum ar fi DVI, PostScript și PDF.

Deoarece XML este un subset al Standard Generalized Markup Language (SGML), acesta poate fi procesat de instrumentele extinse disponibile pentru SGML, cum ar fi Document Style Semantics and Specification Language (DSSSL).

	Indicație
	yelp-ul GNOME este uneori util pentru a citi direct fișiere DocBook, deoarece le redă decent în X.

În mod tradițional, roff este principalul sistem de procesare a textului din Unix. A se vedea roff(7), groff(7), groff(1), grotty(1), troff(1), groff_mdoc(7), groff_man(7), groff_ms(7), groff_me(7), groff_mm(7), și "info groff".

Puteți citi sau imprima un tutorial și un ghid de referință util privind macrocomanda „-me” din directorul „/usr/share/doc/groff/” prin instalarea pachetului groff.

	Indicație
	„groff -Tascii -me -” generează o ieșire sub formă de text simplu cu cod de eludare ANSI. Dacă doriți să obțineți o ieșire similară cu pagina de manual, cu multe caractere „^H” și „_”, utilizați în schimb „GROFF_NO_SGR=1 groff -Tascii -me -”.

	Indicație
	Pentru a elimina caracterele „^H” și „_” dintr-un fișier text generat de groff, filtrați-l cu comanda „col -b -x”.

Distribuția software TeX Live oferă un sistem TeX complet. Metapachetul texlive pune la dispoziție o selecție adecvată de pachete TeX Live, care ar trebui să fie suficientă pentru cele mai comune sarcini.

Există numeroase referințe disponibile pentru TeX și LaTeX.

Acesta este cel mai performant mediu de tehnoredactare. Multe procesoare SGML îl utilizează ca procesor de text de fundal. Lyx, furnizat de pachetul lyx, și GNU TeXmacs, furnizat de pachetul texmacs, oferă un mediu de editare WYSIWYG pentru LaTeX, în timp ce mulți folosesc Emacs și Vim ca editor de sursă.

Există numeroase resurse disponibile în Internet.

Când documentele devin mai mari, uneori TeX poate genera erori. Pentru a remedia această problemă, trebuie să măriți dimensiunea memoriei tampon în fișierul „/etc/texmf/texmf.cnf” (sau, mai bine, să editați fișierul „/etc/texmf/texmf.d/95NonPath” și să rulați comanda update-texmf(8)).

Notă

Sursa TeX a cărții „The TeXbook” este disponibilă la www.ctan.org situl arhivei TeX pentru fișierul texbook.tex. Acest fișier conține majoritatea macrocomenzilor necesare. Am auzit că puteți procesa acest document cu tex(1) după ce comentați liniile 7-10 și adăugați „\input manmac \proofmodefalse”. Se recomandă cu tărie să cumpărați această carte (și toate celelalte cărți ale lui Donald E. Knuth) în loc să folosiți versiunea online, dar sursa este un exemplu excelent de introducere în TeX!

Deși este posibil să scrieți o pagină de manual (manpage) în formatul simplu troff, există puține pachete auxiliare care să vă ajute să o creați.

Elementul central al procesării datelor destinate imprimării este interpretul Ghostscript PostScript (PS), care generează imagini-rastru.

	Indicație
	Comanda «gs -h» poate afișa configurația Ghostscript.

Puteți fuziona două fișiere PostScript (PS) sau Portable Document Format (PDF) folosind gs(1) din Ghostscript.

$ gs -q -dNOPAUSE -dBATCH -sDEVICE=pswrite -sOutputFile=bla.ps -f foo1.ps foo2.ps
$ gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -sOutputFile=bla.pdf -f foo1.pdf foo2.pdf

	Notă
	Fișierul PDF, care este un format de date imprimabil, utilizat pe scară largă pe mai multe platforme, este, în esență, formatul PS comprimat, cu câteva caracteristici și extensii suplimentare.

	Indicație
	Pentru linia de comandă, psmerge(1) și alte comenzi din pachetul psutils sunt utile pentru manipularea documentelor PostScript. De asemenea, pdftk(1) din pachetul pdftk este util pentru manipularea documentelor PDF.

Atât comanda lp(1), cât și comanda lpr(1), oferite de Common Unix Printing System (CUPS), oferă opțiuni pentru imprimarea personalizată a datelor destinate imprimării.

Puteți imprima 3 copii ale unui fișier folosind una dintre următoarele comenzi.

$ lp -n 3 -o Collate=True filename

$ lpr -#3 -o Collate=True filename

Puteți personaliza și mai mult funcționarea imprimantei folosind opțiuni precum „-o number-up=2”, „-o page-set=even”, „ -o page-set=odd”, „-o scaling=200”, „-o natural-scaling=200” etc., documentate în Imprimare din linia de comandă și opțiuni.

Datele de poștă electronică (SMTP) trebuie să se limiteze la șiruri de date de 7 biți. Astfel, datele binare și datele text de 8 biți sunt codificate în format de 7 biți cu ajutorul Multipurpose Internet Mail Extensions (MIME) și selectarea setului de caractere (a se vedea Tabel 11.2, „Lista valorilor de codificare și utilizarea acestora”).

Formatul standard de stocare a mesajelor de poștă electronică este mbox, conform standardului RFC2822 (versiunea actualizată a RFC822). A se vedea mbox(5) (furnizat de pachetul mutt).

În cazul limbilor europene, pentru mesaje se utilizează de obicei „Content-Transfer-Encoding: quoted-printable” cu setul de caractere ISO-8859-1, deoarece nu există prea multe caractere pe 8 biți. Dacă textul european este codificat în UTF-8, este probabil să se utilizeze „Content-Transfer-Encoding: quoted-printable”, deoarece este vorba în mare parte de date pe 7 biți.

În cazul limbii japoneze, se folosește de obicei „Content-Type: text/plain; charset=ISO-2022-JP” pentru mesaje, pentru a păstra textul în format pe 7 biți. Totuși, sistemele Microsoft mai vechi pot trimite date de poștă electronică în format Shift-JIS fără o declarare corespunzătoare. Dacă textul japonez este codificat în UTF-8, este probabil să se utilizeze Base64, deoarece conține multe date de 8 biți. Situația altor limbi asiatice este similară.

	Notă
	Dacă datele dvs. de poștă electronică non-Unix sunt accesibile printr-un program client non-Debian capabil să comunice cu un server IMAP4, este posibil să le puteți transfera rulând propriul server IMAP4.

	Notă
	Dacă utilizați alte formate de stocare a mesajelor, un prim pas util este să le convertiți în format mbox. Un program client versatil, precum mutt(1), vă poate fi de ajutor în acest sens.

Puteți împărți conținutul căsuței poștale în fiecare mesaj folosind procmail(1) și formail(1).

Fiecare mesaj de poștă electronică poate fi despachetat folosind comanda munpack(1) din pachetul mpack (sau alte instrumente specializate) pentru a obține conținutul codificat MIME.

Următoarele metapachete constituie un bun punct de plecare pentru căutarea instrumentelor de gestionare a datelor grafice folosind aptitude(8). „Prezentarea pachetelor pentru responsabilii de întreținere ai Debian PhotoTools” poate fi un alt punct de plecare.

	Indicație
	Căutați mai multe instrumente pentru imagini folosind expresia regulată „~Gworks-with::image” în aptitude(8) (a se vedea Secțiune 2.2.6, „Opțiuni pentru metoda de căutare cu aptitude”).