Guía de codificaciones de caracteres coreanos: Entendiendo EUC-KR y CP949
El manejo de texto en el idioma coreano (Hangul) requiere una comprensión clara de los estándares de codificación específicos utilizados en Corea del Sur. Si bien UTF-8 es ahora el estándar universal para las aplicaciones web y móviles modernas, muchos sistemas heredados, aplicaciones heredadas de Windows y bases de datos antiguas todavía dependen de EUC-KR y su extensión, CP949.
En esta guía, profundizaremos en los detalles técnicos de las codificaciones de caracteres coreanos, su relación entre sí y cómo gestionar eficazmente las conversiones para el desarrollo moderno.
1. Los estándares principales: EUC-KR y CP949
El texto digital de Corea del Sur ha sido moldeado principalmente por dos estándares de codificación estrechamente relacionados.
EUC-KR (El estándar Wansung)
EUC-KR (Extended Unix Code for Korean) se basa en el estándar KS X 1001. Es un sistema de codificación "Wansung" (pre-compuesto), lo que significa que codifica cada sílaba Hangul como una sola unidad en lugar de caracteres separados (Jamo).
- Pros: Es muy eficiente para las 2,350 sílabas Hangul más comunes.
- Contras: No puede representar las 11,172 sílabas Hangul posibles, lo que genera problemas con caracteres o nombres raros.
- Palabras clave: Codificador decodificador EUC-KR, EUC-KR a UTF-8.
CP949 (La extensión de Windows)
CP949 (Code Page 949) es la extensión patentada de Microsoft de EUC-KR. Es la codificación predeterminada para las versiones antiguas de Windows (edición coreana) y sigue siendo extremadamente común en el software empresarial heredado.
- Por qué es importante: CP949 resuelve la limitación principal de EUC-KR al admitir las 11,172 sílabas Hangul posibles manteniendo la retrocompatibilidad con EUC-KR.
- Palabras clave: Codificador decodificador CP949.
2. Tabla de comparación técnica
| Codificación | Estándar | Tipo | Mejor caso de uso | ¿Compatible con Unicode? |
|---|---|---|---|---|
| EUC-KR | KS X 1001 | Wansung | Sistemas Unix/Linux heredados | No |
| CP949 | MS Windows | Wansung | Aplicaciones de Windows heredadas | No |
| UTF-8 | Unicode | Universal | Todo el software coreano moderno | Sí |
3. Mejores prácticas para el desarrollo de software coreano
Transición a UTF-8
Para cualquier proyecto coreano nuevo, UTF-8 es la única opción lógica. Admite de forma nativa todas las sílabas Hangul, caracteres Hangul antiguos y emojis globales sin las limitaciones de las codificaciones regionales.
- Recomendación: Utilice siempre UTF-8 (sin BOM) para los archivos de código y el contenido web.
Normalización (NFC frente a NFD)
Al trabajar con texto coreano, es fundamental manejar correctamente la normalización de Unicode.
- NFC (Composición Canónica): Los caracteres Hangul se almacenan como sílabas pre-compuestas (por ejemplo, '한'). Este es el estándar para la web, Windows y Linux.
- NFD (Descomposición Canónica): Los caracteres Hangul se descomponen en Jamo individuales (por ejemplo, 'ㅎ', 'ㅏ', 'ㄴ'). Esto se utiliza principalmente en los sistemas de archivos de macOS.
- Por qué es importante: Una búsqueda de "한" en NFC no encontrará "한" en NFD a menos que su sistema sea "consciente de la normalización".
4. FAQ: Preguntas frecuentes
P: ¿Por qué los caracteres coreanos aparecen como "rotos" (乱码) en mi aplicación?
R: Esto suele suceder cuando un archivo EUC-KR o CP949 se lee como UTF-8. Para solucionar esto, debe decodificar explícitamente el archivo utilizando la codificación coreana correcta y volver a codificarlo en UTF-8.
P: ¿Cuál es la diferencia entre EUC-KR y CP949?
R: CP949 es un superconjunto de EUC-KR. Agrega más de 8,000 caracteres para admitir todas las combinaciones posibles de sílabas Hangul que faltaban en el estándar EUC-KR original.
P: ¿Cómo puedo detectar si un archivo es EUC-KR o UTF-8?
R: Puede utilizar bibliotecas de detección de patrones de bytes (como chardet) o comprobar manualmente la ausencia de secuencias multibyte UTF-8. Los archivos UTF-8 a menudo contienen un BOM (Byte Order Mark), aunque no se recomienda para el texto coreano.
5. Domine el texto coreano con Tool3M
No deje que las codificaciones coreanas heredadas retrasen su desarrollo. Tool3M proporciona herramientas especializadas para manejar el texto coreano con precisión:
- Codificador y decodificador EUC-KR/CP949: Repare el texto distorsionado y convierta los archivos coreanos heredados a los estándares modernos.
- Herramienta de normalización de Hangul: Convierta entre Hangul NFC y NFD para la compatibilidad entre plataformas.
- Detector de codificación coreana: Identifique instantáneamente la codificación de cualquier fragmento de texto o archivo coreano.