Capítulo 11. Conversión de datos

	Sugerencia
	iconv(1) es parte del paquete libc6 y esta siempre disponible en prácticamente el cualquier sistema tipo Unix para la conversión de codificaciones de caracteres.

Puede convertir las codificaciones de los archivos de texto con iconv(1)como se muestra.

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

Los valores de codificaciones para el encaje distinguen entre mayúsculas y minúsculas y pasan por alto «-» y «_». Puede obtener una relación de las codificaciones reconocidas mediante la orden «iconv -l».

	Nota
	Algunas codificaciones son únicamente usadas para la conversión de información y no son usables como valores locales (Sección 8.1, “Configuración regional”).

Para los conjuntos de caracteres que caben en un único byte como ASCII y ISO-8859, la codificación de caracteres es casi lo mismo que el conjunto de caracteres.

Para los conjuntos de caracteres con muchos elementos como JIS X 0213 en el japonés o Conjunto de Caracteres Universal (UCS, Unicode, ISO-10646-1) en prácticamente cualquier lenguaje, existen muchos esquemas de codificación y encajan como secuencias de bytes de datos.

En este caso existe un diferenciación clara entre el conjunto de caracteres y la codificación de caracteres

Algunos proveedores en algunos casos utilizan la página de códigos como sinónimo de la tabla de codificación de caracteres.

Nota

Tener en cuenta que la mayor parte de los sistemas de codificación comparten los mismos códigos con ASCII de 7 bits. Pero existen algunas excepciones. Si se convierten programas antiguos japoneses en C y datos URL de la codificación conocida como formato shift-JIS a formato UTF-8, usar «CP932» como nombre de la codificación en lugar de «shift-JIS» para obtener los resultados correctos: 0x5C → «\» y 0x7E → «~». De otro modo se convertirán a los caracteres incorrectos.

	Sugerencia
	recode(1) se puede también usar y aporta mayor funcionalidad que la combinación de iconv(1), fromdos(1), todos(1), frommac(1) y tomac(1). Para más información, ver «info recode».

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

La variable «$ENCDN» contiene la codificación original utilizada por el nombre de archivo en el sistema operativo antiguo como en Tabla 11.2, “Relación de valores de codificación y su uso”.

Para escenarios más complicados, por favor, monte el sistema de archivos (p. ej. la partición del disco) que contiene los nombres de archivos con la codificación adecuada mediante la opción correspondiente de mount(8) (consulte Sección 8.1.3, “Codificación del nombre de archivo”) y copie el contenido completo a otro sistema de archivos montado como UTF-8 con la orden «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'

Por favor para más información sobre el «soporte de texto multibyte« consulte mbyte.txt en la ayuda de vim y Tabla 11.2, “Relación de valores de codificación y su uso” para los valores de configuraciones de la ubicación utilizados por «++enc».

En los programas de la familia de emacs existen funcionalidades equivalentes a las anteriormente descritas.

El código XML tiene la apariencia de HTML. Nos permite obtener diferentes formatos de un documento. Un sistema sencillo de XML es el paquete docbook-xsl, que utilizamos aquí.

Todo archivo XML comienza con una declaración estándar XML como se muestra.

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

La sintaxis fundamental de un elemento XML se marca como se muestra.

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

Un elemento XML sin contenido se marca de forma resumida como se muestra.

<name attribute="value" />

El «atributo=«valor«» de los ejemplos anteriores son opcionales.

Un comentario en XML se marca como se muestra.

<!-- comment -->

Mientras que otros añaden marcas, XML necesita cambios menores al utilizar entidades predefinidas para los siguientes caracteres.

	Atención
	«<» o «&» no se pueden utilizar en los atributos y elementos.

	Nota
	Cuando se utilizan entidades definidas por el usuario, p. ej. «&alguna_etiqueta:», la primera definición prevalece sobre las demás. La definición de la entidad se realiza como «<!ENTITY alguna-etiqueta «valor de la entidad«>».

	Nota
	Ya que las marcas XML se realizan de forma coherente con un cierto conjunto de etiquetas (y alguna información en su contenido y atributos), la conversión a otro XML es un procedimiento trivial utilizando Transformaciones del Lenguaje de Estilo Extensibles (XSLT, Extensible Stylesheet Language Transformations).

Existen muchas herramientas para procesar archivos XML como el Lenguaje de Estilos Extensible (XSL, the Extensible Stylesheet Language).

Principalmente, una vez que tenga un archivo XML bien formado, puede convertirlo en cualquier otro formato utilizando el Lenguaje de Transformación de Estilos Extensible (XSLT, Extensible Stylesheet Language Transformations .

El Lenguaje de Estilo Extensible para dar Formato a Objetos (XSL-FO, Extensible Stylesheet Language for Formatting Objects) se supone que es la solución en lo referente a dar formato. El paquete fop es nuevo en el archivo main de Debian debido a su dependencia del lenguaje de programación Java. Así que el código LaTeX se genera normalmente partiendo de XML y utilizando XSLT y el sistema LaTeX se utiliza para crear los formatos de archivo imprimibles como DVI, PostScript y PDF.

Ya que XML es un subconjunto del Lenguaje Estándar de Marcas Generalizado (SGML), puede ser procesado por cualquier herramienta para SGML, como Lenguaje de Especificación y Semántica de Documentos de Estilo (DSSSL, Document Style Semantics and Specification Language).

	Sugerencia
	Algunas veces es práctico leer directamente archivos XML DocBook con yelp de GNOME ya que tiene una representación de imágenes en X decente.

Tradicionalmente, roff es el sistema principal de Unix para la composición tipográfica. Consulte 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) y «info groff».

Puede leer o imprimir un buen tutorial y referencia en "-me" macro en "/usr/share/doc/groff/" instalando el paquete groff.

	Sugerencia
	Con «groff -Tascii -me -» se obtiene una salida en texto plano con códigos de escape ANSI. Si lo que quiere son páginas man con muchos «^H« y «_«, utilice en su lugar«GROFF_NO_SGR=1 groff -Tascii -me -».

	Sugerencia
	Para eliminar los «^H« y «_« del archivo de texto que groff ha generado, fíltrelo con «col -b -x».

El software TeX Live contiene un sistema completo del sistema TeX. El metapaquete texlive aporta un selección apropiada de paquetes TeX Live que cumplirá decentemente la mayor parte de las tareas.

Hay disponibles numerosas referencias a TeX y LaTeX.

Este es el entorno de composición tipográfica más potente. Muchos procesadores de SGML lo utilizan como motor para el procesamiento de texto. Lyx que está en el paquete lyx y GNU TeXmacs que se encuentra en el paquete texmacs ofrecen un entorno de edición LaTeX agradable WYSIWYG mientras que muchos utilizan Emacs y Vim como su preferencia como editor.

Existen multitud de recursos disponibles en la red.

Cuando los documentos se vuelven grandes, algunas veces TeX puede fallar. Debe incrementar el tamaño de los recursos compartidos en «/etc/texmf/texmf.cnf» (o más concretamente editar «/etc/texmf/texmf.d/95NonPath» y ejecutar update-texmf(8)) con el fin de solucionarlo.

Nota

La fuente TeX de "The TeXbook" está disponible en www.ctan.org sitio tex-archivo para texbook.tex. Este archivo contiene la mayoría de las macros necesarias. He oído que puedes procesar este documento con tex(1) después de comentar las líneas 7 a 10 y añadir "input manmac \proofmodefalse". Se recomienda encarecidamente comprar este libro (y todos los demás libros de Donald E. Knuth) en lugar de usar la versión en línea, ¡pero la fuente es un gran ejemplo de entrada TeX!

Aunque es posible escribir una página de man en formato troff plano, existen algunos paquetes que ayudan a crearla.

El núcleo de la manipulación es el intérprete de Ghostscript PostScript (PS) el cual genera imágenes de representación.

	Sugerencia
	«gs -h» puede mostrar la configuración de Ghostscript.

Puede mezclar dos archivos PostScript (PS) o Formato de Documentos Portable (PDF, Portable Document Format ) utilizando la orden gs(1) de 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

	Nota
	El formato PDF, el cual se usa de forma habitual como un formato de impresión multiplatafoma, es en su esencia un formato PS comprimido con algunas funcionalidades y extensiones adicionales.

	Sugerencia
	Para la manipulación de documentos PostScript desde la línea de órdenes existen órdenes como psmerge(1) y otras que pertenecen al paquete psutils package. pdftk(1) del paquete pdftk se utiliza para la manipulación de documentos PDF.

Tanto las órdenes de lp(1) y lpr(1) existen en Sistema de Impresión Común de Unix (CUPS) que proporciona opciones personalizadas para la impresión.

Puede imprimir tres copias del archivo correspondiente utilizando las siguientes órdenes.

$ lp -n 3 -o Collate=True filename

$ lpr -#3 -o Collate=True filename

Puede personalizar las impresiones mediante opciones como «-o number-up=2», «-o page-set=even», «-o page-set=odd», «-o scaling=200», «-o natural-scaling=200», etc., según consta en Impresión con línea de órdenes y sus opciones.

La información de correo (SMTP) deben utilizar 7 bits. Así los datos binarios y los de texto de 8 bits se codifican en formato de 7 bits con Multipurpose Internet Mail Extensions (MIME) y la selección del juego de caracteres (ver Tabla 11.2, “Relación de valores de codificación y su uso”).

El formato de almacenamiento estándar de correo es mbox según RFC2822 (actualizado por el RFC822). Consulte mbox(5) (es proporcionado por el paquete mutt).

En las lenguas europeas normalmente se utiliza en el correo la «Content-Transfer-Encoding: quoted-printable» con el juego de caracteres ISO-8859-1 ya que no existen muchos de los caracteres de 8 bits. SI el texto europeo esta codificado en UTF-8, «Content-Transfer-Encoding: quoted-printable» se usa como la mayor parte de la información en 7 bits.

En japonés el tradicional «Content-Type: text/plain; charset=ISO-2022-JP» es normalmente utilizado en el correo ya que mantiene el texto en 7 bits. Pero los antiguos sistemas Microsoft puede enviar información en Shift-JIS sin la declaración correspondiente. Si el texto japonés esta codificado en UTF-8 Base64 es como utilizar información de 8 bits. Lo que ocurre en otros lenguajes asiáticos es parecido.

	Nota
	Si su información de correo no Unix se accede desde un cliente que no es de Debian, con soporte de IMAP4, puede moverlo desplegando su propio servidor IMAP4.

	Nota
	Si utiliza otros formatos de almacenamiento de correo, moverlos al formato mbox es un buen comienzo. Un cliente versátil como mutt(1) puede ser útil para ello.

Puede partir el contenido del buzón de correo en mensajes utilizando procmail(1) y formail(1).

Cada mensaje de correo se puede desempaquetar utilizando munpack(1) del paquete mpack (u otra herramienta especializada) para obtener el contenido codificado con MIME.

Los siguientes meta paquetes son buenos puntos de partida para buscar herramientas de datos gráficos utilizando aptitude(8). "Resumen de paquetes para los mantenedores de Debian PhotoTools" puede ser otro punto de partida.

	Sugerencia
	Busque más herramientas de imágenes utilizando aptitude(8) con la expresión regular «~Gworks-with::image» (consulte Sección 2.2.6, “Opciones del método de búsqueda con aptitude”).