Capítulo 8. Configuración básica: red, cuentas, impresión...

Históricamente, cada locale tiene asociado un «conjunto de caracteres» (grupo de caracteres conocidos) y una «codificación» preferida (representación interna de los caracteres para el equipo).

Las codificaciones más populares para idiomas derivados del latín estaban limitadas a 256 caracteres porque decidieron utilizar sólo un byte por carácter. Debido a que 256 caracteres no son suficientes para cubrir todos los idiomas europeos fueron necesarias múltiples codificaciones, y así es como tenemos desde ISO-8859-1 (también conocida como «Latin 1») hasta ISO-8859-15 (también conocida como «Latin 9»), entre otras.

Trabajar con idiomas extranjeros generalmente implica cambios frecuentes entre varias codificaciones y conjuntos de caracteres. Lo que es más, escribir documentos en varios idiomas causó problemas más grandes y casi intratables. Se creó Unicode (un supercatálogo de casi todos los sistemas de escritura de todos los idiomas del mundo) para evitar este problema. Una de las codificaciones de Unicode, UTF-8, mantiene todos los 128 símbolos ASCII (códigos de 7 bits), pero maneja los demás caracteres de forma diferente. Éstos son precedidos por una secuencia «escape» de unos pocos bits, que define implícitamente la longitud del carácter. Esto permite codificar todos los caracteres Unicode en una secuencia de uno o más bytes. Se popularizó su uso debido a que es la codificación predeterminada en documentos XML.

Generalmente esta es la codificación que debería utilizar y es, por lo tanto, la predeterminada en sistemas Debian.

El archivo /etc/environment provee a los programas login, gdm o inclusive ssh las variables de entorno correctas a crear.

Estas aplicaciones no crean estas variables directamente sino que lo hacen a través de un módulo PAM (pam_env.so). PAM (siglas de «módulo de autenticación conectable»: «Pluggable Authentication Module») es una biblioteca modular que centraliza los mecanismos de autenticación, inicialización de la sesión y gestión de contraseñas. Revise la Sección 11.7.3.2, “Configuración de PAM” para encontrar un ejemplo de configuración de PAM.

El archivo /etc/default/locale funciona de manera similar pero sólo contiene la variable de entorno LANG. Gracias a esta división, algunos usuarios PAM pueden heredar un entorno completo sin localización. De hecho, generalmente no se recomienda ejecutar programas de servidor con localización activada; por el contrario, se recomienda utilizar las configuraciones regionales y de localización para los programas que abren sesiones de usuario.

Cuando se envía (o almacena) un texto sin información de codificación el receptor no siempre puede estar seguro de saber qué convención utilizar para determinar el significado de un conjunto de bytes. Usualmente puede tener una idea obteniendo estadísticas en la distribución de los valores presentes en el texto pero esto no siempre da una respuesta definitiva. Cuando el sistema de codificación elegido para la lectura es diferente al utilizado para escribir el archivo se interpretan incorrectamente los bytes y se obtienen, en el mejor caso, errores en algunos caracteres o, en el peor caso, algo completamente ilegible.

Por lo tanto, si un texto en francés aparece normal con la excepción de letras acentuadas y algunos símbolos que aparecerán reemplazados con secuencias de caracteres como «Ã©» o «Ã¨» o «Ã§» probablemente sea un archivo codificado con UTF-8 interpretado como ISO-8859-1 o ISO-8859-15. Este es signo de una instalación local que no migró a UTF-8 aún. Si, en cambio, observa sígnos de interrogación en lugar de letras acentuadas — aún si dichos símbolos parecen reemplazar el carácter que seguiría a la letra acentuada — es probable que su instalación ya esté configurada para UTF-8 y que le enviaron un documento codificado con Western ISO.

Esos son todos los casos «simples». Estos casos sólo aparecen en la cultura occidental ya que se diseñó Unicode (y UTF-8) para maximizar los puntos comunes con codificaciones históricas de idiomas occidentales basados en el alfabeto latino que permite reconocer partes del texto aún cuando faltan algunos caracteres.

En configuraciones más complejas que, por ejemplo, involucran dos entornos que corresponden a dos idiomas diferentes que no utilizan el mismo alfabeto generalmente obtendrá resultados completamente ilegibles — una serie de símbolos abstractos que no tienen nada que ver unos con otros. Esto es especialmente frecuente con idiomas asiáticos debido a sus numerosos idiomas y sistemas de escritura. Se adoptó la palabra japonesa mojibake para describir este fenómeno. Cuando ocurre, el diagnóstico es más complejo y la solución más simple generalmente es migrar a UTF-8 en ambos lados.