Problématique

Caractères non ASCII
Codage, transport
Pluralité des caractères
Muliplicité des formes
Ligatures, caractères calligraphique
Affichage
Droite à gauche
Traitement spécial par l'afficheur
bidirectionnalité
Solutions
Unicode
HTML4.0

Character Set

Character Set: Application d'un ensemble de caractères dans des entiers. ISO-8859-1 (ASCII courant, par défaut, West Europe)
Tranche 00 à 7F, ASCII international standard 7bits
Tranche de 80 à FF, ASCII dépendant des pays (accents ...)
ISO-8859-6 arabe, ISO-8859-7 grecque, ISO-8859-9 Turc ...
Un octet ne suffit pas pour coder toutes les subtilités d'une langue.

Unicode (Universal Character Set) utilise des mots de 16 bits
Possibilité de prendre en compte la pluralité des caractères et les symboles ♬
Développé par le Consortium Unicode (http://www.unicode.org)
Son équivalent ISO est ISO-10646
La directionnalité d'un caractère est une des propriété du Unicode. (Arabe/Hebreux rtl, latin ltr).
Character Encoding: Représentation mémoire (suite d'octets) du code de caractère (e.g. UTF-8)

Unicode Transformation Format
Un code = série d'octets (de 1 à 6 en théorie, jusqu'à 3 en pratique).
- Octet = U+0000 à U+007f, alors caractère ascii latin (Exple 'A' = 65 = U+0041)
- Octet >U+007f, alors ∈ série autre caractère (Alif=216-167) .
Parfait pour le transport
Compatible ASCII

A base de ASCII, 8 bits
- Usage des codes 128 è 255,
- ISO-8859-6 (appelé Windows-1256 sous windows)
- Avantage, simple
- Incovénient, trop simple
Solution Unicode, encodé UTF-8
- Prise en compte des letres isolés, chiffres arabes ٧ ٨ ٩... caractères calligraphiques ﷲ ﷲ ﷸ, forme lettres isolées 1424 ﻫ.
- Développement logiciels pour internet (c.f. java nouveau char type)
- U+0600 - U+06FF pour l'usage courant
- charset="utf-8" ("windows-1252")

Cursivité, i.e series de lettres = serie de formes ( Glyphs ), caseless, dirigé de droite à gauche
ملك لأ ي
Décoratif, avec des ligatures (une forme pour plusieurs codes)
لا
Dependance contexte,
هن انه مهد نوه
Le Hah a la même code (1607)
Dépendance font (certaines font, beauté calligraphique)
If context is not needed, one shape one code (isolated forms)
1424 ﻫ
Chaque hah a un code différent (65259)

Ce sont des codes servant à la directinnalité du texte, surtout en milieu mixte.
Le source arabe se présente dans l'ordre de la frappe du texte.
&rlm; (#8207) &lrm; (#8206) servant à imposer une directionnalité
ممم EMI ‏(Ecole Mohammadia d'Ingénieurs) الخ...
vs
ممم EMI (Ecole Mohammadia d'Ingénieurs) الخ...
&zwj; (#8205) &zwnj; (#8204) servant à imposer ou non la liaison avec le contexte
ب‌ر
Autres, #202A (LRE), #202A (RLE), #202A(PDF) de moins en moins utilisés

Le web tire sa force de son universaluité (Tim Berners-Lee)
Balises/attributs réservées en HTML
- <span lang="ar"> texte arabe... </span>
- <span dir="rtl"> texte arabe... </span>
- <html xmlns="http://www.w3.org/1999/xhtml" dir="rtl" lang="ar" xml:lang="ar"> en plus complet
- ...
Directionalité du texte

- Codée dans le caractère unicode
- Texte html dans l'ordre des caractères saisis, affiché alligné à droite et de droite à gauche.
- Gérer la mixité latin/arabe. Algorithme Unicode de bidirectionnalité.
Exemple de problèmes à gérer
- Caractère de ponctuation " ' () entre deux modes.
  Usage des entités numériques spéciales &lrm; et &rlm;
- Texte latin à lire logiquement en rtl.
  Idem
- Cellules de tableaux.
- Les browsers ne répondent pas tousde la même façon
- ...

balise et attributs: meta, encoding, charset, lang ...
- <?xml version="1.0" encoding="utf-8"?>
- <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
- <html xmlns="http://www.w3.org/1999/xhtml" dir="rtl" lang="ar" xml:lang="ar">
Entité numérique #&1575; vs utf-8 Ø§
- Un caractère source = entité numérique.
- Reconnaissable par le browser pour en déduire le charset.
- Lisibilité facile. Encombrement.
- Un carcatère source encodé utf-8. Alif = deux octets 216-167
- Visible Ø§ :-(
Entités numériques spéciales, &zwj; &lrm; ...

That is the question (royal pain)
Mozilla est très bon. Plusieurs charsets possibles
Amaya du W3C
Nécessité d'usage de trois mode d'édition
- Wysiwyg, usage courant, facilité, ergonomie
- HTML source (balise + texte en arabe), finition/optimisation niveau HTML
- Plain HTML source (fichier éditeur de texte ascii, merci Editplus), finition très pointue, professionnelle
- ...sans oublier Tidy.
Il existe des traducteurs sur le web (ajeeb.com)