Manual de HTML5 y CSS3

Introducción a los lenguajes

de marcas
[1.1] ordenador e información
[1.1.1]formas de representar
información en el ordenador
El ordenador es una máquina digital, por lo tanto solo es capaz de
representar información utilizando el sistema binario de
numeración. Esto obliga a que, para poder almacenar información
en un ordenador, previamente haya que codificarla en forma de
números binarios.

El problema de los números binarios es que están muy alejados del

ser humano; es decir, que las personas no estamos capacitadas
para manejar información en binario. Nosotros usamos un sistema
numérico decimal para los números y sistemas mucho más
complejos para representar otros tipos de información (como el
texto, las imágenes, la música,…)

Al principio los ordenadores solo eran capaces de manipular

números (de hecho todavía, la CPU, el cerebro de los ordenadores
sigue trabajando en binario), pero en la actualidad no hay
prácticamente ningún tipo de información que no estemos
manipulando a través del ordenador: así manejamos texto,
imágenes, música, vídeo,... etc. a través del ordenador. Esto es
posible porque se ha conseguido que casi cualquier tipo de
información se pueda transformar a binario.
Los seres humanos tenemos la capacidad de diferenciar
claramente lo que es un texto de una imagen, lo que es un número
de una canción,… Pero en un ordenador todo es más complicado,
porque todo es binario.

Ese proceso de transformar la información humana a su

equivalente máquina, se conoce como codificación. El principal
problema es que no hay una sola forma de codificar, es decir una
misma información (una fotografía por ejemplo) se puede codificar
a binario de diferentes formas. Aunque hoy día ya tenemos
numerosos estándares, todavía sigue siendo uno de los aspectos
problemáticos de la informática.

Fundamentalmente la información que un ordenador maneja son

números y texto. Pero, curiosamente, a nivel formal solo se
consideran datos binarios a la información representable en el
ordenador que no es texto (imagen, sonido, vídeo,…); aunque,
como ya hemos comentado, en realidad toda la información que
maneja un ordenador es binaria, incluido el texto.

[1.1.2]datos en forma de texto y datos

binarios
datos binarios
Como se ha comentado antes, a cualquier dato codificado en una
computadora que no sea texto, se le considera dato binario.
Ejemplos de datos binarios son: una canción, un vídeo, una
imagen, una aplicación informática o un documento creado con el
software Microsoft Word.

La forma de codificar ese tipo de datos a su forma binaria es

diferente en cada caso. Por ejemplo, en el caso de las imágenes,
cada punto (píxel) de la imagen se codifica utilizando su nivel de
rojo, verde y azul. Así por ejemplo el código 11111111 00000000
000000, se correspondería a un píxel de color rojo puro (tiene a
tope los niveles de rojo y totalmente apagados los niveles de verde
y azul). De modo que una sola imagen requiere millones de dígitos
binarios (es decir, millones de bits).

En cualquier caso, sea cual sea la información que estamos

codificando en binario, para poder acceder a dicha información, el
ordenador necesita un software que sepa como decodificar la
misma. Esto significa qué debe de conocer qué significa cada dígito
binario para traducirle a su forma original. Eso solo es posible
utilizando el mismo software con el que se codificó, o bien otro
software capaz de reconocer ese formato.

Por ejemplo, el software Microsoft Word graba los documentos que

el usuario crea en formato docx. Si abrimos un documento así
creado con un editor de texto (como el Bloc de Notas), no
conseguiremos ver el archivo original. Pero si le abrimos con Word
sí lo veremos. Word sabe como interpretar la información binaria
del archivo. También podemos abrir el archivo con otro software
como Google Docs, ya que es capaz de entender esa información.

texto
El texto es quizá la forma más humana de representar información.
Antes de la llegada del ordenador, la información se transmitía
mediante documentos o libros en papel. Esa forma de transmitir es
milenaria y sigue siendo la forma más habitual de transmitir
información entre humanos; incluso con la tecnología actual,
aplicaciones como twitter o whatsapp siguen usando el texto
como formato fundamental para transmitir información.

En cuanto apareció la informática como la ciencia que se ocupó de

la información digital, apareció también el problema de cómo
codificar texto en forma de dígitos binarios para hacerlo
representable en el ordenador. La forma habitual ha sido codificar
cada carácter en una serie de números binarios. Así ejemplo el
carácter A se codifica como 01000001 y la B el 01000010 (así se
codifican usando el código ASCII).
El problema surgió por la falta de estandarización: la letra A se
codificaba de diferente forma dependiendo del sistema que se
utilice. El problema ocurre cuan do queremos trasladar la
información de un ordenador a otro.

Por ello, poco a poco aparecieron estándares que pretendían

conseguir que todo el hardware y el software codificaran los
caracteres de la misma forma, independientemente del sistema
que utilizáramos.

Este problema sigue ocurriendo actualmente. Así, si escribimos en

el Bloc de Notas de Windows un texto que contenga la letra eñe
(como España), y luego nos vamos al terminal del sistema y
mostramos ese archivo, veremos que la eñe no se lee bien en el
terminal. La razón es que Windows utiliza la codificación
llamada Windows 1252 y el terminal clásico (procedente del viejo
sistema MS-DOS) usa normalmente (en España) la página de
códigos CP 850.

[1.2] codificación de texto a

binario
[1.2.1]el código ASCII
El problema de la codificación de texto que hacía incompatibles los
documentos de texto entre diferentes sistemas, se palió cuando se
ideó en 1967 un código estándar por parte de la ANSI, la agencia
de estándares norteamericana, dicho código es el
llamado ASCII (American Standard Code for Information
Interchange, código estándar americano para el intercambio de
información). El código utiliza el alfabeto inglés (que utiliza
caracteres latinos) y para codificar todos los posibles caracteres
necesarios para escribir en inglés se ideó un sistema de 7 bits (con
7 bits se pueden representar 128 símbolos, suficientes para todas
las letras del alfabeto inglés, en minúsculas y mayúsculas,
caracteres de puntuación, símbolos especiales e incluso símbolos
de control).

El código ASCII es el siguiente:

Núm. Significado ¿Control? Núm Sign. ¿Control?
0 Carácter nulo Sí 64 @ No
1 Inicio de Encabezado Sí, ctrl-A 65 A No
2 Inicio de Texto Sí, ctrl-B 66 B No
3 Fin de Texto Sí, ctrl-C 67 C No
4 Fin de Transmisión Sí, ctrl-D 68 D No
5 Petición Sí, ctrl-E 69 E No
6 Confirmación Sí, ctrl-F 70 F No
7 Timbre Sí, ctrl-G 71 G No
8 Retroceso Sí, ctrl-H 72 H No
9 Tabulación horizontal Sí, ctrl-I 73 I No
10 Alimentación de línea Sí, ctrl-J 74 J No
11 Tabulación Vertical Sí, ctrl-K 75 K No
12 Alimentación de carro Sí, ctrl-L 76 L No
13 Retorno de carro Sí, ctrl-M 77 M No
14 Quitar mayúsculas Sí, ctrl-N 78 N No
15 Poner mayúsculas Sí, ctrl-O 79 O No
16 Data Link Escape Sí, ctrl-P 80 P No
17 Control Disp-1 Sí, ctrl-Q 81 Q No
18 Control Disp-2 Sí, ctrl-R 82 R No
19 Control Disp-3 Sí, ctrl-S 83 S No
20 Control Disp-4 Sí, ctrl-T 84 T No
21 Confirmación negativa Sí, ctrl-U 85 U No
22 Idle síncrono Sí, ctrl-V 86 V No
23 Fin de bloque de transmisión Sí, ctrl-W 87 W No
24 Cancelar Sí, ctrl-X 88 X No
25 Fin de mitad Sí, ctrl-Y 89 Y No
26 Sustituto Sí, ctrl-Z 90 Z No
27 Escape Sí, ctrl-[ 91 [ No
28 EOF Sí, ctrl-\ 92 \ No
29 Separador de Grupo Sí, ctrl-] 93 ] No
30 Separador de registro Sí, ctrl-^ 94 ^ No
31 Separador de unidad Sí, ctrl-_ 95 _ No
32 Espacio No 96 ` No
33 ! No 97 a No
34 “ No 98 b No
35 # No 99 c No
 Núm. Significado ¿Control? Núm Sign. ¿Control?
36 $ No 100 d No
37 % No 101 e No
38 & No 102 f No
39 ‘ No 103 g No
40 ( No 104 h No
41 ) No 105 i No
42 * No 106 j No
43 + No 107 k No
44 , No 108 l No
45 - No 109 m No
46 . No 110 n No
47 / No 111 o No
48 0 No 112 p No
49 1 No 113 q No
50 2 No 114 r No
51 3 No 115 s No
52 4 No 116 t No
53 5 No 117 u No
54 6 No 118 v No
55 7 No 119 w No
56 8 No 120 x No
57 9 No 121 y No
58 : No 122 z No
59 ; No 123 { No
60 < No 124 | No
61 = No 125 } No
62 > No 126 ~ No
63 ? No 127 Borrado No

Pero, en países con lenguas distintas del inglés, surgió el problema

de que parte de los símbolos de sus alfabetos quedaban fuera del
ASCII (como ocurría con la letra eñe en España).

Por ello se diseñaron códigos de 8 bits que añadían 128 símbolos

más y así aparecieron los llamados códigos ASCII extendidos. En
ellos, los 128 primeros símbolos son los mismos de la tabla ASCII
original y los 128 siguientes se corresponden a símbolos extra. Así
por ejemplo el sistema MS-DOS utilizaba el llamado
código 437, que incluía símbolos y caracteres de lenguas de
Europa Occidental, además de caracteres útiles, como por ejemplo
los que permitían hacer marcos y bordes en pantallas de texto. Por
su parte, Windows usa el código 1252 y su consola clásica el 850.

8 bits siguen siendo insuficientes para codificar todos los alfabetos

del planeta, por lo que cada zona usaba su propia tabla ASCII
extendida. Ante el caos consiguiente, la ISO decidió normalizar
dichas tablas de códigos para conseguir versiones estándares de
los mismos. Lo hizo mediante las siguientes normas (cada una de
las cuales definía una tabla de 256 caracteres; siempre los 128
primeros son el ASCII original y los siguientes 128 son los que se
utilizan para los símbolos de la zona geográfica concreta)

 8859-1. ASCII extendido para Europa Occidental (incluye

símbolos como ñ o β)
 8859-2. ASCII extendido para Europa Central y del Este
(incluye símbolos como Ź o č)
 8859-3. ASCII extendido para Europa del Sur (incluye
símbolos como Ġ o Ï)
 8859-4. ASCII extendido para Europa del Norte (incluye
símbolos como ø o å)
 8859-5. ASCII extendido para alfabeto cirílico (incluye
símbolos como д o Ж)
 8859-6. ASCII extendido para alfabeto árabe (incluye
símbolos como ‫ ن‬o ‫)ي‬
 8859-7. ASCII extendido para alfabeto griego moderno
(incluye símbolos como φ o α)
 8859-8. ASCII extendido para alfabeto hebreo (incluye
símbolos como ‫ ץ‬o ‫)ק‬
 8859-9. ASCII extendido, versión de 8859-1 que incluye
símbolos turcos en lugar de otros poco utilizados
 8859-10. ASCII extendido, versión de 8859-4 que incluye
símbolos más utilizados en las lenguas nórdicas actuales
 8859-11. ASCII extendido para alfabeto tailandés (incluye
símbolos como ๗ o ๔)
  8859-12. ASCII extendido para alfabeto devanagari de India
y Nepal que ya no se usa
 8859-13. ASCII extendido para alfabetos bálticos con
símbolos que no estaban en 8859-4
 8859-14. ASCII extendido para alfabeto celta (incluye
símbolos como ŵ o Ẃ)
 8859-15. ASCII extendido, versión de 8859-1 que incluye el
símbolo del euro y símbolos de lenguas bálticas. Es el
recomendado actualmente para Europa Occidental.
 8859-16. ASCII extendido, versión de 8859-1 pensada para
los países del sureste de Europa
 2022-JP. Símbolos japoneses (parte 1)
 2022-JP-2. Símbolos japoneses (parte 2)
 2022-KR. Símbolos coreanos

Este problema sigue existiendo ahora, de modo que en los

documentos de texto hay que indicar el sistema de codificación
utilizado (el caso más evidente son las páginas web), para saber
cómo interpretar los códigos del archivo. Así en 8859_1 el
código 245 es el carácter õ y en 8859_2 es el carácter ő

[1.2.2]Unicode
La complicación de las tablas de código se intenta resolver gracias
al sistema Unicode. Este sistema pretende aglutinar en una misma
tabla de códigos, todos los caracteres de cualquier lengua del
planeta. A cambio, cada carácter ya no ocupa un solo byte.

En Unicode a cada carácter se le asigna un número. Los 128

primeros siguen siendo los originales de ASCII para mantener la
compatibilidad con los textos ya codificados. Los 128 siguientes se
corresponden a los de la tabla ISO-8859_1, de modo que los textos
codificados en esa tabla (la habitual de las lenguas de Europa
Occidental) son compatibles con Unicode.
Para ello un organismo, también llamado Unicode
(http://unicode.org/), participado por numerosas e influyentes
empresas informáticas y coordinado por la propia ISO, se encarga
de definir la tabla de códigos y además ha definido tres formas
fundamentales de codificar los caracteres:

 UTF-8. Es la más utilizada (y la más compleja de procesar

para el ordenador). Para cada carácter se usa de uno a cuatro
bytes, de forma que:
o Los caracteres pertenecientes que pertenecen al código
ASCII original ocupan un byte.
o Dos bytes ocupan los pertenecientes a lenguas latinas,
cirílicas, griegas, árabes, hebreas y otras de Europa,
Asia Menor y Egipto.
o Tres para símbolos de los alfabetos en uso distintos de
los del apartado anterior como el chino, el tailandés,
coreano o el japonés.
o Cuatro para otros símbolos: por ejemplo los
matemáticos y símbolos de lenguas muertas como el
fenicio o el asirio o símbolos asiáticos de uso poco
frecuente.
 UTF-16. Utiliza para cada carácter dos (para los dos primeros
grupos del punto anterior) o cuatro caracteres (para el resto).
Es más sencillo que el anterior
 UTF-32. La más sencilla de todas. Cada carácter
independientemente del grupo al que pertenezca ocupa 4
caracteres. No se utiliza.

Ejemplo, el texto: 取得cigüeña𐐝 se codificaría de esta forma:

 En UTF-8:

 Como 取得 son símbolos chinos, ocupan 3 bytes cada uno

 Los caracteres c i g e a ocupan un solo byte cada uno al ser
parte del ASCII original
  Los símbolos ü y ñ ocupan dos bytes
 El símbolo 𐐝 es persa antiguo y ocupa 4 bytes
 En total el texto ocupa 19 bytes

 En UTF-16:
o Los símbolos 取得 y 𐐝 ocupan 4 bytes cada uno
o El resto 2 bytes
o En total ocupan 26 bytes
 En UTF-32
o Todos ocupan 4 bytes
o Total: 40 bytes

Aunque UTF-8 es más compleja de procesar, en la actualidad es

el claro estándar para codificar texto. Todos los sistemas y
dispositivos actuales tienen capacidad para codificar de esta forma,
por lo que parece que será el estándar definitivo en los años
venideros.

[1.2.3]archivos binarios y archivos de

texto
ventajas de los archivos binarios
[1]Ocupan menos espacio que los archivos de texto, ya que
optimizan mejor su codificación a binario (por ejemplo el
número 213 ocupa un solo byte y no tres como ocurriría si fuera
un texto).

[2]Son más rápidos de manipular por parte del ordenador (se

parecen más al lenguaje de la máquina)

[3]Permiten el acceso directo a los datos. Los archivos de texto

siempre se manejan de forma secuencial, más lenta
[4]Los datos no son fácilmente interpretables, lo que aporta cierta
ocultación al contenido. El contenido de los archivos de texto
es fácilmente interpretable.

[5]Los archivos binarios son ideales para almacenar contenido

cifrado. Es posible cifrar el texto también, pero los algoritmos
de cifrado son más seguros si se usan técnicas no textuales.

ventajas de los archivos de texto

[1]Son ideales para almacenar datos para exportar e importar
información a cualquier dispositivo electrónico.

[2]Son directamente modificables, sin tener que acudir a software

específico.

[3]Su manipulación es más sencilla que la de los archivos binarios.

[4]Los dispositivos de red y software cliente permiten el paso de

archivos de texto ya que no son susceptibles de contener virus
informáticos.

[1.3] exportar/importar datos

[1.3.1]el problema de compartir datos
Los problemas relacionados con el intercambio de información
entre aplicaciones y máquinas informáticas es tan viejo como la
propia informática.

El problema parte del hecho de haber realizado un determinado

trabajo con un software en un determinado ordenador y después
querer pasar dicho trabajo a otro software en ese u otro ordenador.

Los archivos binarios tienen la complicación de que para hacer ese

proceso, el origen y el destino de los datos deben comprender
cómo codificar y decodificar la información. Eso, en muchos casos,
ha sido un gran problema que ha obligado a que todos los
trabajadores y trabajadoras hayan tenido que adaptarse al software
de la empresa. Por otro lado dificulta que las empresas migren a
otros sistemas por el miedo a perder los datos.

En la informática actual eso es aún más problemático al tener una

necesidad de disponibilidad global del trabajo a través de
dispositivos muy distintos como tabletas, smartphones y otros
dispositivos portátiles.

Por ello, poco a poco han aparecido formatos binarios de archivo

que han sido estándares de facto (aunque la mayoría no han sido
reconocidos por ningún organismo de estándares) como por
ejemplo el formato documental PDF, el formato de imagen JPEG o
el formato de audio MP3.

Pero el problema fundamental sigue estando en el software

empresarial. El caso típico podría ser una empresa que utiliza en
sus oficinas el software Apache Open Office y luego una persona
de la empresa quiere abrir el documento en el que está trabajando
en un dispositivo que tiene instalado Microsoft Office. Es probable
que no pueda ver el trabajo en ambos dispositivos.

Este problema puede ocurrir incluso con el mismo software pero

con versiones distintas (por ejemplo intentar abrir un documento
creado con Microsoft Word 2016 en una máquina con Microsoft
Word 2001).

De ahí que muchas veces la opción para exportar e importar datos

sea utilizar conversores. Software con capacidad de convertir los
datos de un formato a otro (por ejemplo de Word a Open Office;
de MP3 a MOV de Apple, etc.).

[1.3.2]el texto como el formato más

versátil
Como ya se ha explicado, hay un formato de archivo que cualquier
dispositivo es capaz de entender: el texto. La cuestión es que los
archivos llamados de texto, solo son capaces de almacenar texto
plano; es decir, solo texto sin indicar ningún formato o añadir
información no textual.

Debido a la facilidad de ser leído con cualquier aparato, se intenta

que el propio texto sirva para almacenar otros datos, es decir
información que no es texto sin más. Evidentemente hay tipos de
información prácticamente imposibles de representar en un archivo
de texto, pero sí hay trucos para poder representar información de
diversos tipos.

Para ello dentro del archivo habrá contenido que no se interpretará

como texto sin más, sino que dentro del archivo habrá texto
especial, marcado de una forma que permita darle otro significado.
Es lo que se conoce como metadatos: datos que sirven para
describir otros datos. En el caso de los archivos de texto, son
palabras marcadas de forma especial que sirve para describir el
texto al que acompaña.

Desde hace muchos años hay tres campos en los que está idea ha
funcionado muy bien: en las bases de datos, en los procesadores
de texto y, especialmente, en las páginas web. El éxito de Internet
ha permitido espolear esta tecnología a otros muchos campos.

Hay que recordar un problema fundamental con el texto: al ser

formato tan universal, y ser su contenido tan accesible, es peligroso
como fuente para almacenar datos confidenciales, ya que queda
fácilmente expuesto a cualquier persona.

[1.4] lenguajes de marcas

[1.4.1]introducción histórica
aparición de los lenguajes de marcas
Como se ha comentado en el punto anterior, el problema de la
exportación de datos ha puesto en entredicho a los archivos
binarios como fuente para exportar e importar información.
En su lugar, parece que los archivos de texto poseen menos
problemas. Por ello, se ha intentado que los archivos de texto
plano (archivos que solo contienen texto y no otros datos binarios)
pudieran servir para almacenar otros datos como por ejemplo
detalles sobre el formato del propio texto u otras indicaciones.

Los procesadores de texto fueron el primer software en

encontrarse con este dilema. Puesto que son programas que sirven
para escribir texto parecía que lo lógico era que sus datos se
almacenaran como tal. Pero necesitan guardar datos referidos al
formato del texto, tamaño de la página, color, tipografía, márgenes,
etc. La solución clásica ha sido guardar la información de forma
binaria, lo que provoca los ya comentados problemas.

Algunos procesadores de texto optaron por guardar toda la

información como texto, haciendo que las indicaciones de formato
no se almacenen de forma binaria sino textual. Dichas indicaciones
son caracteres marcados de manera especial para que así un
programa adecuado pueda traducir dichos caracteres no como
texto sino como operaciones que finalmente producirán mostrar el
texto del documento de forma adecuada.

La idea del marcado procede del inglés marking up término con el

que se referían a la técnica de marcar manuscritos con lápiz de
color para hacer anotaciones como por ejemplo la tipografía a
emplear en las imprentas. Este mismo término se ha utilizado para
los documentos de texto que contienen comandos u anotaciones.

Las posibles anotaciones o indicaciones incluidos en los

documentos de texto han dado lugar a lenguajes (entendiendo que
en realidad son formatos de documento y no lenguajes en el
sentido de los lenguajes de programación de aplicaciones)
llamados lenguajes de marcas, lenguajes de
marcado o lenguajes de etiquetas.

[1.4.2]Charles Goldfarb y el GML

Se considera a Charles Goldfarb como al padre de los lenguajes
de marcas. La razón para esta consideración es, precisamente, su
ayuda en la creación del lenguaje GML (Generalized Markup
Language).

Golfarb era un investigador de IBM que propuso ideas para que los
documentos de texto que incluyeran la posibilidad de marcar el
formato del mismo. Al final ayudó a realizar el
lenguaje GML de IBM el cual puso los cimientos del
futuro SGML (padre de HTML y XML) ideado por el propio
Goldfarb y padre de la mayoría de lenguajes de marcas actuales.

Ejemplo de código GML

:h0.El reino de los animales
:h1.Mamíferos
:p.Los mamíferos (:hp1.Mammalia:ehp1.) son una clase de
vertebrados :hp2.amniotas homeotermos:ehp2. que poseen
glándulas mamarias productoras de leche con las que
alimentan a las crías
:h1.Aves
:p. Las aves son animales vertebrados, de sangre
caliente, que caminan, saltan o se mantienen solo sobre
las extremidades posteriores

Ese código renderizado por un software que interprete ese código

obtendría como resultado:
La idea es que los elementos arcados con símbolos “:” y “.”
delimiten marcas de formato. Así :h1. significa título principal
y :p. significa párrafo.

[1.4.3]TeX y LaTeX
En la década de los 70 Donald Knuth (uno de los ingenieros
informáticos más importantes de la historia, padre del análisis de
algoritmos y premio Turing 1974) creó el lenguaje TeX para
producir documentos científicos utilizando una tipografía y
capacidades que fueran iguales en cualquier computadora,
asegurando además una gran calidad en los resultados.

Para ello apoyó a TeX con tipografía especial

(fuentes Modern Computer) y un lenguaje de definición de tipos
(METAFONT). TeX ha tenido cierto éxito en la comunidad científica
gracias a sus 300 comandos que permiten crear documentos con
tipos de gran calidad. Requiere de software capaz de convertir el
archivo TeX a un formato de impresión.

El éxito de TeX produjo numerosos derivados de los cuales el más

popular es LaTeX. LaTeX fue definido en 1984 por Leslie
Lamport (premio Turing 2003), aunque después ha sido
numerosas veces revisado. Al utilizar comandos de TeX y toda su
estructura tipográfica, adquirió rápidamente notoriedad y sigue
siendo utilizado para producir documentos con expresiones
científicas, de gran calidad. La idea es que los científicos se centren
en el contenido y no en la presentación. Ejemplo de código LaTeX:
\documentclass[12pt]{article}
\usepackage{amsmath}
\title{\Ejemplo}
\begin{document}
Este es el texto ejemplo de \LaTeX{}
Con datos en \emph{cursiva} o \textbf{negrita}.
Ejemplo de f\’ormula
\begin{align}
E &= mc^2
\end{align}
\end{document}
Que con un traductor daría lugar al resultado:

[1.4.4]RTF
RTF es el acrónimo de Rich Text Format (Formato de Texto
Enriquecido) un lenguaje ideado por Richard Brodie, Charles
Simonyi y David Luebbert (miembros del equipo de desarrollo
de Microsoft Word) en 1987 para producir documentos de texto
que incluyan anotaciones del formato. Es un formato propiedad
de Microsoft, pero reconocido por la mayoría de aplicaciones de
proceso de texto.

Actualmente se trata de un formato aceptado para documentos de

texto que contengan información sobre el estilo del texto. Se usa
mucho como formato de intercambio entre distintos procesadores
por su potencia. El procesador de texto Word Pad incorporado
dentro del sistema operativo Windows lo utiliza como formato
nativo.

Codifica el texto usando 8 bits, para caracteres fuera del ASCII

requiere de secuencias de escape lo que, prácticamente, le hace
inviable como formato legible de texto en la mayoría de lenguas del
planeta. En las últimas versiones de RTF ya sí se ofrece un mayor
soporte a Unicode.

Su éxito procede de que las indicaciones de formato son potentes

y son más legibles por las personas que el formato nativo de los
procesadores de textos, aunque es, como lenguaje de marcado,
uno de los más crípticos.
{\rtf\ansicpg1252\deff0\deflang3082
{\fonttbl
{\f0\fcharset0\froman Times New Roman}
{\f1\fcharset0\fswiss Arial Black}
}
{\pard \f1\fs48
El reino de los animales
\par}
{\pard \f1\fs40
Mamíferos
\par}
{\pard \f0\fs25
Los mamíferos ({\b Mammalia}) son una clase de
vertebrados {\i amniotas homeotermos} que poseen
glándulas mamarias productoras de leche con las que
alimentan a las crías
\par}
{\pard \f1\fs40
Aves
\par}
{\pard \f0\fs25
Las aves son animales vertebrados, de sangre caliente,
que caminan, saltan o se mantienen solo sobre las
extremidades posteriores
\par}
}

Produce el resultado:

[1.4.5]SGML
Se trata de una mejora muy notable del lenguaje de GML que
estandarizaba el lenguaje de marcado y que fue definida finalmente
por ISO como estándar mundial en documentos de texto con
etiquetas de marcado. Su responsable fue Charles Goldfarb.

Su importancia radica en que es el padre del lenguaje XML y la

base sobre la que se sostiene el lenguaje HTML, dos de los
lenguajes de marcas más populares de la historia.

En SGML los elementos que contienen indicaciones para el texto

se colocan entre símbolos < y >. Las etiquetas se cierran con el
signo /. Es decir las reglas fundamentales de los lenguajes de
etiquetas actuales ya las había definido SGML.

En realidad (como XML) no es un lenguaje con unas etiquetas

concretas, sino que se trata de un lenguaje que sirve para definir
lenguajes. Entre los lenguajes definidos mediante SGML, sin duda
HTML es el más popular.

Ejemplo:
<articulo>
<titulo1>El reino de los animales</titulo1>
<titulo2>Mamíferos</titulo2>
<normal>Los mamíferos (<negrita>Mammalia</negrita>) son una clase
de vertebrados <cursiva>amniotas homeotermos</cursiva>. que poseen
glándulas mamarias productoras de leche con las que alimentan a las
crías</normal>
<titulo2>Aves</titulo2>
<normal>Las aves son animales vertebrados, de sangre caliente, que
caminan, saltan o se mantienen solo sobre las extremidades
posteriores</normal>
</articulo>

Como veremos más adelante, este documento es muy parecido a

un documento realizado en XML, de hecho XML es un subconjunto
de SGML más restrictivo (es un lenguaje que tiene normas más
estrictas).

SGML necesitará definir cómo se debe mostrar los

elementos titulo1, titulo2, etc. Ya que son nombres de elementos
que habrá que definir. Esa es la prueba de que es un lenguaje para
definir tipos de documento.
SGML aportó las etiquetas tal cual las conocemos actualmente
gracias al éxito de HTML.

[1.4.6]PostScript
Se trata de un lenguaje de descripción de páginas. De hecho es el
más popular para ese fin, siendo el lenguaje más utilizado por los
sistemas de impresión de alta gama.

Permite crear documentos en los que se dan indicaciones

potentísimas sobre como mostrar información en el dispositivo
final. Se inició su desarrollo en 1976 por John Warnock y dos años
más tarde se continuo con la empresa Xerox, hasta que en 1985
el propio Warnock funda Adobe Systems y desde esa empresa se
continua su desarrollo.

Es en realidad todo un lenguaje de programación que indica la

forma en que se debe mostrar la información que puede incluir
texto y el tipo de letra del mismo, píxeles individuales y formas
vectoriales (líneas, curvas). Sus posibilidades son muy amplias.

Ejemplo1:
%colocar el cursor
100 100 moveto
%dibuja cuadrado
100 200 lineto
200 200 lineto
200 100 lineto
100 100 lineto
%relleno
stroke

[1.4.7]HTML
Tim Bernes Lee utilizó SGML para definir un nuevo lenguaje de
etiquetas que llamó Hypertext Markup Language (lenguaje de
marcado de hipertexto) para crear documentos transportables a
través de Internet en los que fuera posible el hipertexto; es decir la
posibilidad que determinadas palabras marcadas de forma
especial permitieran abrir un documento relacionado con ellas.
A pesar de tardar en ser aceptado, HTML fue un éxito rotundo y la
causa indudable del éxito de Internet. Hoy en día casi todo en
Internet se ve a través de documentos HTML, que popularmente
se denominan páginas web.

Inicialmente estos documentos se veían con ayuda de intérpretes

de texto (como por ejemplo el Lynx de Unix) que simplemente
coloreaban el texto y remarcaban el hipertexto. Después el
software se mejoró y aparecieron navegadores con capacidad más
gráfica para mostrar formatos más avanzados y visuales.

Ejemplo (usando el mismo contenido de los ejemplos anteriores):

<!DOCTYPE html>
<html lang=”es”>
<head>
<meta charset=”UTF-8”>
<title>Document</title>
</head>
<body>
<h1>El reino de los animales</h1>
<h2>Mamíferos</h2>
<p>Los mamíferos (<strong>Mammalia</strong>) son una clase de
vertebrados <em>amniotas homeotermos</em> que poseen glándulas mamarias
productoras de leche con las que alimentan a las crías</p>
<h2>Aves</h2>
<p>Las aves son animales vertebrados, de sangre caliente, que
caminan, saltan o se mantienen solo sobre las extremidades
posteriores</p>
</body>
</html>

[1.4.8]XML
Se trata de un subconjunto de SGML ideado para mejorar el propio
SGML y con él definir lenguajes de marcado con sintaxis más
estricta, pero más entendible.

Ha sido enormemente popular desde finales de los 90 y ha

conseguido incorporar numerosos lenguajes a su alrededor para
conseguir documentos muy dinámicos y con gran capacidad de
formato. Es uno de los formatos de documentos más populares
para exportación e importación de datos.
Actualmente está siendo sobrepasado en la mayoría de sus usos
por JSON
<?xml version=”1.0” encoding=”UTF-8”?>
<nombre>Jorge</nombre>
<apellido1>Sánchez</apellido1>
<dirección>
<calle>C/ Falsa nº 0</calle>
<localidad>Palencia</localidad>
<código_Postal>34001</código_Postal>
<pais>España</pais>
</direccion>
<teléfonos>
<teléfono tipo=”fijo”>999 999 999</teléfono>
<teléfono tipo=”móvil”>666 666 666</teléfono>
</telefono>

[1.4.9]Markdown
Se trata de un formato de marcado simple que permite crear
documentos sencillos y convertirles en documentos HTML.

Fue creado por John Gruber con la ayuda de Aaron Shwartz. La

pretensión de este lenguaje es definir unas normas muy sencillas
para crear documentos semejantes a los que se crean mediante el
lenguaje HTML.

Ha tenido un éxito muy notable, especialmente desde que fue

adoptado por sitios tan populares
como GitHub, Reddit o StackExchange para que los usuarios
publicaran contenido con formato.

Ejemplo de texto con formato Markdown:

# El reino de los animales
## Mamíferos
Los mamíferos (**Mammalia**) son una clase de vertebrados *amniotas
homeotermos*. que poseen glándulas mamarias productoras de leche con las
que alimentan a las crías
## Aves
Las aves son animales vertebrados, de sangre caliente, que caminan,
saltan o se mantienen solo sobre las extremidades posteriores

Este código genera el mismo resultado que el código mostrado en

el apartado de HTML, pero se percibe claramente su sencillez.
[1.4.10]JSON
Abreviatura de JavaScript Object Notation, Se trata de una
notación de datos procedente del lenguaje JavaScript estándar
(concretamente en la versión ECMAScript de 1999). En el año
2002 se le daba soporte desde muchos de los navegadores y su
fama ha sido tal que ahora se ha convertido en una notación
independiente de JavaScript que compite claramente con XML en
funcionalidad.

Las razones de su éxito se deben a su versatilidad, ya que permiten

definir datos complejos, como arrays o código de funciones,
elementos pertenecientes al mundo de la programación de
aplicaciones. El éxito de JavaScript junto a la versatilidad
comentada, le han convertido en el lenguaje de marcado más
popular para almacenar datos.

En JSON, el texto se divide en datos y metadatos. De modo que el

símbolo de los dos puntos separa el metadato del dato. Por otro
lado, los símbolos de llave y corchete permiten agrupar de diversas
formas los datos.

Ejemplo de código JSON:

{
“nombre”: “Jorge”,
“apellido1”: “Sánchez”,
“dirección”: {
“calle”: “C/ Falsa nº 0”,
“localidad”: “Palencia”,
“código Postal”: 34001,
“país”:”España”
},
“teléfonos”: [
{
“tipo”: “fijo”,
“número”: “999 999 999”
},
{
“tipo”: “móvil”,
“number”: “666 666 666”
}
]
}
[1.5] tipos de lenguajes de marcas
 Orientados a la presentación. En ellos los metadatos
permiten indicar el formato en el que se debe presentar el
texto. Es el caso de RTF, en el que sus etiquetas especifican
tipos de letra, tamaños de página, colores, etc. Las primeras
versiones de HTML también se consideran así, ya que
incluían etiquetas como font mediante la cual se especificaba
el formato de fuente.
 Orientados a la descripción. En ellos las marcas especiales
permiten dar significado al texto pero no indican cómo se
debe presentar en pantalla el mismo. Sería el caso de XML (o
de SGML), JSON, Markdown y de las versiones actuales
de HTML. En estos lenguajes simplemente se indica el
significado del contenido: si el texto es un título, un párrafo
normal, un pie de ilustración, una dirección postal etc.
 Orientados a procedimientos. Se trata de documentos en
los que el texto marcado, se interpreta como órdenes a seguir,
y así el archivo en realidad contiene instrucciones a realizar
con el texto (girarle, convertirle en una fórmula, realizar una
suma, etc.). Es el caso de LaTeX o PostScript.
 Manual de XML
[1.1] ordenador e información
[1.1.1]formas de representar
información en el ordenador
El ordenador es una máquina digital, por lo tanto solo es capaz de
representar información utilizando el sistema binario de
numeración. Esto obliga a que, para poder almacenar información
en un ordenador, previamente haya que codificarla en forma de
números binarios.

El problema de los números binarios es que están muy alejados del

ser humano; es decir, que las personas no estamos capacitadas
para manejar información en binario. Nosotros usamos un sistema
numérico decimal para los números y sistemas mucho más
complejos para representar otros tipos de información (como el
texto, las imágenes, la música,…)

Al principio los ordenadores solo eran capaces de manipular

números (de hecho todavía, la CPU, el cerebro de los ordenadores
sigue trabajando en binario), pero en la actualidad no hay
prácticamente ningún tipo de información que no estemos
manipulando a través del ordenador: así manejamos texto,
imágenes, música, vídeo,... etc. a través del ordenador. Esto es
posible porque se ha conseguido que casi cualquier tipo de
información se pueda transformar a binario.

Los seres humanos tenemos la capacidad de diferenciar

claramente lo que es un texto de una imagen, lo que es un número
de una canción,… Pero en un ordenador todo es más complicado,
porque todo es binario.

Ese proceso de transformar la información humana a su

equivalente máquina, se conoce como codificación. El principal
problema es que no hay una sola forma de codificar, es decir una
misma información (una fotografía por ejemplo) se puede codificar
a binario de diferentes formas. Aunque hoy día ya tenemos
numerosos estándares, todavía sigue siendo uno de los aspectos
problemáticos de la informática.

Fundamentalmente la información que un ordenador maneja son

números y texto. Pero, curiosamente, a nivel formal solo se
consideran datos binarios a la información representable en el
ordenador que no es texto (imagen, sonido, vídeo,…); aunque,
como ya hemos comentado, en realidad toda la información que
maneja un ordenador es binaria, incluido el texto.

[1.1.2]datos en forma de texto y datos

binarios
datos binarios
Como se ha comentado antes, a cualquier dato codificado en una
computadora que no sea texto, se le considera dato binario.
Ejemplos de datos binarios son: una canción, un vídeo, una
imagen, una aplicación informática o un documento creado con el
software Microsoft Word.

La forma de codificar ese tipo de datos a su forma binaria es

diferente en cada caso. Por ejemplo, en el caso de las imágenes,
cada punto (píxel) de la imagen se codifica utilizando su nivel de
rojo, verde y azul. Así por ejemplo el código 11111111 00000000
000000, se correspondería a un píxel de color rojo puro (tiene a
tope los niveles de rojo y totalmente apagados los niveles de verde
y azul). De modo que una sola imagen requiere millones de dígitos
binarios (es decir, millones de bits).

En cualquier caso, sea cual sea la información que estamos

codificando en binario, para poder acceder a dicha información, el
ordenador necesita un software que sepa como decodificar la
misma. Esto significa qué debe de conocer qué significa cada dígito
binario para traducirle a su forma original. Eso solo es posible
utilizando el mismo software con el que se codificó, o bien otro
software capaz de reconocer ese formato.

Por ejemplo, el software Microsoft Word graba los documentos que

el usuario crea en formato docx. Si abrimos un documento así
creado con un editor de texto (como el Bloc de Notas), no
conseguiremos ver el archivo original. Pero si le abrimos con Word
sí lo veremos. Word sabe como interpretar la información binaria
del archivo. También podemos abrir el archivo con otro software
como Google Docs, ya que es capaz de entender esa información.

texto
El texto es quizá la forma más humana de representar información.
Antes de la llegada del ordenador, la información se transmitía
mediante documentos o libros en papel. Esa forma de transmitir es
milenaria y sigue siendo la forma más habitual de transmitir
información entre humanos; incluso con la tecnología actual,
aplicaciones como twitter o whassap siguen usando el texto
como formato fundamental para transmitir información.

En cuanto apareció la informática como la ciencia que se ocupó de

la información digital, apareció también el problema de cómo
codificar texto en forma de dígitos binarios para hacerlo
representable en el ordenador. La forma habitual ha sido codificar
cada carácter en una serie de números binarios. Así ejemplo el
carácter A se codifica como 01000001 y la B el 01000010 (así se
codifican usando el código ASCII).

El problema surgió por la falta de estandarización: la letra A se

codificaba de diferente forma dependiendo del sistema que se
utilice. El problema ocurre cuan do queremos trasladar la
información de un ordenador a otro.

Por ello, poco a poco aparecieron estándares que pretendían

conseguir que todo el hardware y el software codificaran los
caracteres de la misma forma, independientemente del sistema
que utilizáramos.

Este problema sigue ocurriendo actualmente. Así, si escribimos en

el Bloc de Notas de Windows un texto que contenga la letra eñe
(como España), y luego nos vamos al terminal del sistema y
mostramos ese archivo, veremos que la eñe no se lee bien en el
terminal. La razón es que Windows utiliza la codificación
llamada Windows 1252 y el terminal clásico (procedente del viejo
sistema MS-DOS) usa normalmente (en España) la página de
códigos CP 850.

[1.2] codificación de texto a

binario
[1.2.1]el código ASCII
El problema de la codificación de texto que hacía incompatibles los
documentos de texto entre diferentes sistemas, se palió cuando se
ideó en 1967 un código estándar por parte de la ANSI, la agencia
de estándares norteamericana, dicho código es el
llamado ASCII (American Standard Code for Information
Interchange, código estándar americano para el intercambio de
información). El código utiliza el alfabeto inglés (que utiliza
caracteres latinos) y para codificar todos los posibles caracteres
necesarios para escribir en inglés se ideó un sistema de 7 bits (con
7 bits se pueden representar 128 símbolos, suficientes para todas
las letras del alfabeto inglés, en minúsculas y mayúsculas,
caracteres de puntuación, símbolos especiales e incluso símbolos
de control).

El código ASCII es el siguiente:

Núm. Significado ¿Control? Núm Sign. ¿Control?
0 Carácter nulo Sí 64 @ No
1 Inicio de Encabezado Sí, ctrl-A 65 A No
Núm. Significado ¿Control? Núm Sign. ¿Control?
2 Inicio de Texto Sí, ctrl-B 66 B No
3 Fin de Texto Sí, ctrl-C 67 C No
W4 Fin de Transmisión Sí, ctrl-D 68 D No
5 Petición Sí, ctrl-E 69 E No
6 Confirmación Sí, ctrl-F 70 F No
7 Timbre Sí, ctrl-G 71 G No
8 Retroceso Sí, ctrl-H 72 H No
9 Tabulación horizontal Sí, ctrl-I 73 I No
10 Alimentación de línea Sí, ctrl-J 74 J No
11 Tabulación Vertical Sí, ctrl-K 75 K No
12 Alimentación de carro Sí, ctrl-L 76 L No
13 Retorno de carro Sí, ctrl-M 77 M No
14 Quitar mayúsculas Sí, ctrl-N 78 N No
15 Poner mayúsculas Sí, ctrl-O 79 O No
16 Data Link Escape Sí, ctrl-P 80 P No
17 Control Disp-1 Sí, ctrl-Q 81 Q No
18 Control Disp-2 Sí, ctrl-R 82 R No
19 Control Disp-3 Sí, ctrl-S 83 S No
20 Control Disp-4 Sí, ctrl-T 84 T No
21 Confirmación negativa Sí, ctrl-U 85 U No
22 Idle síncrono Sí, ctrl-V 86 V No
23 Fin de bloque de transmisión Sí, ctrl-W 87 W No
24 Cancelar Sí, ctrl-X 88 X No
25 Fin de mitad Sí, ctrl-Y 89 Y No
26 Sustituto Sí, ctrl-Z 90 Z No
27 Escape Sí, ctrl-[ 91 [ No
28 EOF Sí, ctrl-\ 92 \ No
29 Separador de Grupo Sí, ctrl-] 93 ] No
30 Separador de registro Sí, ctrl-^ 94 ^ No
31 Separador de unidad Sí, ctrl-_ 95 _ No
32 Espacio No 96 ` No
33 ! No 97 a No
34 “ No 98 b No
35 # No 99 c No
36 $ No 100 d No
37 % No 101 e No
38 & No 102 f No
39 ‘ No 103 g No
40 ( No 104 h No
41 ) No 105 i No
42 * No 106 j No
 Núm. Significado ¿Control? Núm Sign. ¿Control?
43 + No 107 k No
44 , No 108 l No
45 - No 109 m No
46 . No 110 n No
47 / No 111 o No
48 0 No 112 p No
49 1 No 113 q No
50 2 No 114 r No
51 3 No 115 s No
52 4 No 116 t No
53 5 No 117 u No
54 6 No 118 v No
55 7 No 119 w No
56 8 No 120 x No
57 9 No 121 y No
58 : No 122 z No
59 ; No 123 { No
60 < No 124 | No
61 = No 125 } No
62 > No 126 ~ No
63 ? No 127 Borrado No

Pero, en países con lenguas distintas del inglés, surgió el problema

de que parte de los símbolos de sus alfabetos quedaban fuera del
ASCII (como ocurría con la letra eñe en España).

Por ello se diseñaron códigos de 8 bits que añadían 128 símbolos

más y así aparecieron los llamados códigos ASCII extendidos. En
ellos, los 128 primeros símbolos son los mismos de la tabla ASCII
original y los 128 siguientes se corresponden a símbolos extra. Así
por ejemplo el sistema MS-DOS utilizaba el llamado
código 437, que incluía símbolos y caracteres de lenguas de
Europa Occidental, además de caracteres útiles, como por ejemplo
los que permitían hacer marcos y bordes en pantallas de texto. Por
su parte, Windows usa el código 1252 y su consola clásica el 850.

8 bits siguen siendo insuficientes para codificar todos los alfabetos

del planeta, por lo que cada zona usaba su propia tabla ASCII
extendida. Ante el caos consiguiente, la ISO decidió normalizar
dichas tablas de códigos para conseguir versiones estándares de
los mismos. Lo hizo mediante las siguientes normas (cada una de
las cuales definía una tabla de 256 caracteres; siempre los 128
primeros son el ASCII original y los siguientes 128 son los que se
utilizan para los símbolos de la zona geográfica concreta)

 8859-1. ASCII extendido para Europa Occidental (incluye

símbolos como ñ o β)
 8859-2. ASCII extendido para Europa Central y del Este
(incluye símbolos como Ź o č)
 8859-3. ASCII extendido para Europa del Sur (incluye
símbolos como Ġ o Ï)
 8859-4. ASCII extendido para Europa del Norte (incluye
símbolos como ø o å)
 8859-5. ASCII extendido para alfabeto cirílico (incluye
símbolos como д o Ж)
 8859-6. ASCII extendido para alfabeto árabe (incluye
símbolos como ‫ ن‬o ‫)ي‬
 8859-7. ASCII extendido para alfabeto griego moderno
(incluye símbolos como φ o α)
 8859-8. ASCII extendido para alfabeto hebreo (incluye
símbolos como ‫ ץ‬o ‫)ק‬
 8859-9. ASCII extendido, versión de 8859-1 que incluye
símbolos turcos en lugar de otros poco utilizados
 8859-10. ASCII extendido, versión de 8859-4 que incluye
símbolos más utilizados en las lenguas nórdicas actuales
 8859-11. ASCII extendido para alfabeto tailandés (incluye
símbolos como ๗ o ๔)
 8859-12. ASCII extendido para alfabeto devanagari de India
y Nepal que ya no se usa
 8859-13. ASCII extendido para alfabetos bálticos con
símbolos que no estaban en 8859-4
  8859-14. ASCII extendido para alfabeto celta (incluye
símbolos como ŵ o Ẃ)
 8859-15. ASCII extendido, versión de 8859-1 que incluye el
símbolo del euro y símbolos de lenguas bálticas. Es el
recomendado actualmente para Europa Occidental.
 8859-16. ASCII extendido, versión de 8859-1 pensada para
los países del sureste de Europa
 2022-JP. Símbolos japoneses (parte 1)
 2022-JP-2. Símbolos japoneses (parte 2)
 2022-KR. Símbolos coreanos

Este problema sigue existiendo ahora, de modo que en los

documentos de texto hay que indicar el sistema de codificación
utilizado (el caso más evidente son las páginas web), para saber
cómo interpretar los códigos del archivo. Así en 8859_1 el
código 245 es el carácter õ y en 8859_2 es el carácter ő

[1.2.2]Unicode
La complicación de las tablas de código se intenta resolver gracias
al sistema Unicode. Este sistema pretende aglutinar en una misma
tabla de códigos, todos los caracteres de cualquier lengua del
planeta. A cambio, cada carácter ya no ocupa un solo byte.

En Unicode a cada carácter se le asigna un número. Los 128

primeros siguen siendo los originales de ASCII para mantener la
compatibilidad con los textos ya codificados. Los 128 siguientes se
corresponden a los de la tabla ISO-8859_1, de modo que los textos
codificados en esa tabla (la habitual de las lenguas de Europa
Occidental) son compatibles con Unicode.

Para ello un organismo, también llamado Unicode

(http://unicode.org/), participado por numerosas e influyentes
empresas informáticas y coordinado por la propia ISO, se encarga
de definir la tabla de códigos y además ha definido tres formas
fundamentales de codificar los caracteres:
  UTF-8. Es la más utilizada (y la más compleja de procesar
para el ordenador). Para cada carácter se usa de uno a cuatro
bytes, de forma que:
o Los caracteres pertenecientes que pertenecen al código
ASCII original ocupan un byte.
o Dos bytes ocupan los pertenecientes a lenguas latinas,
cirílicas, griegas, árabes, hebreas y otras de Europa,
Asia Menor y Egipto.
o Tres para símbolos de los alfabetos en uso distintos de
los del apartado anterior como el chino, el tailandés,
coreano o el japonés.
o Cuatro para otros símbolos: por ejemplo los
matemáticos y símbolos de lenguas muertas como el
fenicio o el asirio o símbolos asiáticos de uso poco
frecuente.
 UTF-16. Utiliza para cada carácter dos (para los dos primeros
grupos del punto anterior) o cuatro caracteres (para el resto).
Es más sencillo que el anterior
 UTF-32. La más sencilla de todas. Cada carácter
independientemente del grupo al que pertenezca ocupa 4
caracteres. No se utiliza.

Ejemplo, el texto: 取得cigüeña𐐝 se codificaría de esta forma:

 En UTF-8:

 Como 取得 son símbolos chinos, ocupan 3 bytes cada uno

 Los caracteres c i g e a ocupan un solo byte cada uno al ser
parte del ASCII original
 Los símbolos ü y ñ ocupan dos bytes
 El símbolo 𐐝 es persa antiguo y ocupa 4 bytes
 En total el texto ocupa 19 bytes

 En UTF-16:
 o Los símbolos 取得 y 𐐝 ocupan 4 bytes cada uno
o El resto 2 bytes
o En total ocupan 26 bytes
 En UTF-32
o Todos ocupan 4 bytes
o Total: 40 bytes

Aunque UTF-8 es más compleja de procesar, en la actualidad es

el claro estándar para codificar texto. Todos los sistemas y
dispositivos actuales tienen capacidad para codificar de esta forma,
por lo que parece que será el estándar definitivo en los años
venideros.

[1.2.3]archivos binarios y archivos de

texto
ventajas de los archivos binarios
[1]Ocupan menos espacio que los archivos de texto, ya que
optimizan mejor su codificación a binario (por ejemplo el
número 213 ocupa un solo byte y no tres como ocurriría si fuera
un texto).

[2]Son más rápidos de manipular por parte del ordenador (se

parecen más al lenguaje de la máquina)

[3]Permiten el acceso directo a los datos. Los archivos de texto

siempre se manejan de forma secuencial, más lenta

[4]Los datos no son fácilmente interpretables, lo que aporta cierta

ocultación al contenido. El contenido de los archivos de texto
es fácilmente interpretable.
[5]Los archivos binarios son ideales para almacenar contenido
cifrado. Es posible cifrar el texto también, pero los algoritmos
de cifrado son más seguros si se usan técnicas no textuales.

ventajas de los archivos de texto

[1]Son ideales para almacenar datos para exportar e importar
información a cualquier dispositivo electrónico.

[2]Son directamente modificables, sin tener que acudir a software

específico.

[3]Su manipulación es más sencilla que la de los archivos binarios.

[4]Los dispositivos de red y software cliente permiten el paso de

archivos de texto ya que no son susceptibles de contener virus
informáticos.

[1.3] exportar/importar datos

[1.3.1]el problema de compartir datos
Los problemas relacionados con el intercambio de información
entre aplicaciones y máquinas informáticas es tan viejo como la
propia informática.

El problema parte del hecho de haber realizado un determinado

trabajo con un software en un determinado ordenador y después
querer pasar dicho trabajo a otro software en ese u otro ordenador.

Los archivos binarios tienen la complicación de que para hacer ese

proceso, el origen y el destino de los datos deben comprender
cómo codificar y decodificar la información. Eso, en muchos casos,
ha sido un gran problema que ha obligado a que todos los
trabajadores y trabajadoras hayan tenido que adaptarse al software
de la empresa. Por otro lado dificulta que las empresas migren a
otros sistemas por el miedo a perder los datos.
En la informática actual eso es aún más problemático al tener una
necesidad de disponibilidad global del trabajo a través de
dispositivos muy distintos como tabletas, smartphones y otros
dispositivos portátiles.

Por ello, poco a poco han aparecido formatos binarios de archivo

que han sido estándares de facto (aunque la mayoría no han sido
reconocidos por ningún organismo de estándares) como por
ejemplo el formato documental PDF, el formato de imagen JPEG o
el formato de audio MP3.

Pero el problema fundamental sigue estando en el software

empresarial. El caso típico podría ser una empresa que utiliza en
sus oficinas el software Apache Open Office y luego una persona
de la empresa quiere abrir el documento en el que está trabajando
en un dispositivo que tiene instalado Microsoft Office. Es probable
que no pueda ver el trabajo en ambos dispositivos.

Este problema puede ocurrir incluso con el mismo software pero

con versiones distintas (por ejemplo intentar abrir un documento
creado con Microsoft Word 2016 en una máquina con Microsoft
Word 2001).

De ahí que muchas veces la opción para exportar e importar datos

sea utilizar conversores. Software con capacidad de convertir los
datos de un formato a otro (por ejemplo de Word a Open Office;
de MP3 a MOV de Apple, etc.).

[1.3.2]el texto como el formato más

versátil
Como ya se ha explicado, hay un formato de archivo que cualquier
dispositivo es capaz de entender: el texto. La cuestión es que los
archivos llamados de texto, solo son capaces de almacenar texto
plano; es decir, solo texto sin indicar ningún formato o añadir
información no textual.
Debido a la facilidad de ser leído con cualquier aparato, se intenta
que el propio texto sirva para almacenar otros datos, es decir
información que no es texto sin más. Evidentemente hay tipos de
información prácticamente imposibles de representar en un archivo
de texto, pero sí hay trucos para poder representar información de
diversos tipos.

Para ello dentro del archivo habrá contenido que no se interpretará

como texto sin más, sino que dentro del archivo habrá texto
especial, marcado de una forma que permita darle otro significado.
Es lo que se conoce como metadatos: datos que sirven para
describir otros datos. En el caso de los archivos de texto, son
palabras marcadas de forma especial que sirve para describir el
texto al que acompaña.

Desde hace muchos años hay tres campos en los que está idea ha
funcionado muy bien: en las bases de datos, en los procesadores
de texto y, especialmente, en las páginas web. El éxito de Internet
ha permitido espolear esta tecnología a otros muchos campos.

Hay que recordar un problema fundamental con el texto: al ser

formato tan universal, y ser su contenido tan accesible, es peligroso
como fuente para almacenar datos confidenciales, ya que queda
fácilmente expuesto a cualquier persona.

[1.4] lenguajes de marcas

[1.4.1]introducción histórica
aparición de los lenguajes de marcas
Como se ha comentado en el punto anterior, el problema de la
exportación de datos ha puesto en entredicho a los archivos
binarios como fuente para exportar e importar información.

En su lugar, parece que los archivos de texto poseen menos

problemas. Por ello, se ha intentado que los archivos de texto
plano (archivos que solo contienen texto y no otros datos binarios)
pudieran servir para almacenar otros datos como por ejemplo
detalles sobre el formato del propio texto u otras indicaciones.

Los procesadores de texto fueron el primer software en

encontrarse con este dilema. Puesto que son programas que sirven
para escribir texto parecía que lo lógico era que sus datos se
almacenaran como tal. Pero necesitan guardar datos referidos al
formato del texto, tamaño de la página, color, tipografía, márgenes,
etc. La solución clásica ha sido guardar la información de forma
binaria, lo que provoca los ya comentados problemas.

Algunos procesadores de texto optaron por guardar toda la

información como texto, haciendo que las indicaciones de formato
no se almacenen de forma binaria sino textual. Dichas indicaciones
son caracteres marcados de manera especial para que así un
programa adecuado pueda traducir dichos caracteres no como
texto sino como operaciones que finalmente producirán mostrar el
texto del documento de forma adecuada.

La idea del marcado procede del inglés marking up término con el

que se referían a la técnica de marcar manuscritos con lápiz de
color para hacer anotaciones como por ejemplo la tipografía a
emplear en las imprentas. Este mismo término se ha utilizado para
los documentos de texto que contienen comandos u anotaciones.

Las posibles anotaciones o indicaciones incluidos en los

documentos de texto han dado lugar a lenguajes (entendiendo que
en realidad son formatos de documento y no lenguajes en el
sentido de los lenguajes de programación de aplicaciones)
llamados lenguajes de marcas, lenguajes de
marcado o lenguajes de etiquetas.

[1.4.2]Charles Goldfarb y el GML

Se considera a Charles Goldfarb como al padre de los lenguajes
de marcas. Se trata de un investigador de IBM que propuso ideas
para que los documentos de texto tuvieran la posibilidad de indicar
el formato del mismo. Al final ayudó a realizar el
lenguaje GML de IBM el cual puso los cimientos del
futuro SGML (padre de HTML y XML) ideado por el propio
Goldfarb.

Ejemplo de código GML

:h0.El reino de los animales
:h1.Mamíferos
:p.Los mamíferos (:hp1.Mammalia:ehp1.) son una clase de
vertebrados :hp2.amniotas homeotermos:ehp2. que poseen
glándulas mamarias productoras de leche con las que
alimentan a las crías
:h1.Aves
:p. Las aves son animales vertebrados, de sangre
caliente, que caminan, saltan o se mantienen solo sobre
las extremidades posteriores

Ese código renderizado por un software que interprete ese código

obtendría como resultado:

[1.4.3]TeX y LaTeX
En la década de los 70 Donald Knuth (uno de los ingenieros
informáticos más importantes de la historia, padre del análisis de
algoritmos y premio Turing 1974) creó el lenguaje TeX para
producir documentos científicos utilizando una tipografía y
capacidades que fueran iguales en cualquier computadora,
asegurando además una gran calidad en los resultados.

Para ello apoyó a TeX con tipografía especial

(fuentes Modern Computer) y un lenguaje de definición de tipos
(METAFONT). TeX ha tenido cierto éxito en la comunidad científica
gracias a sus 300 comandos que permiten crear documentos con
tipos de gran calidad. Requiere de software capaz de convertir el
archivo TeX a un formato de impresión.

El éxito de TeX produjo numerosos derivados de los cuales el más

popular es LaTeX. LaTeX fue definido en 1984 por Leslie
Lamport (premio Turing 2003), aunque después ha sido
numerosas veces revisado. Al utilizar comandos de TeX y toda su
estructura tipográfica, adquirió rápidamente notoriedad y sigue
siendo utilizado para producir documentos con expresiones
científicas, de gran calidad. La idea es que los científicos se centren
en el contenido y no en la presentación.

Ejemplo de código LaTeX:

\documentclass[12pt]{article}
\usepackage{amsmath}
\title{\Ejemplo}
\begin{document}
Este es el texto ejemplo de \LaTeX{}
Con datos en \emph{cursiva} o \textbf{negrita}.
Ejemplo de f\’ormula
\begin{align}
E &= mc^2
\end{align}
\end{document}

Que con un traductor daría lugar al resultado:

[1.4.4]RTF
RTF es el acrónimo de Rich Text Format (Formato de Texto
Enriquecido) un lenguaje ideado por Richard Brodie, Charles
Simonyi y David Luebbert (miembros del equipo de desarrollo
de Microsoft Word) en 1987 para producir documentos de texto
que incluyan anotaciones del formato. Es un formato propiedad de
Microsoft, pero reconocido por la mayoría de aplicaciones de
proceso de texto.

Actualmente se trata de un formato aceptado para documentos de

texto que contengan información sobre el estilo del texto. Se usa
mucho como formato de intercambio entre distintos procesadores
por su potencia. El procesador de texto Word Pad incorporado
dentro del sistema operativo Windows lo utiliza como formato
nativo.
Codifica el texto usando 8 bits, para caracteres fuera del ASCII
requiere de secuencias de escape lo que, prácticamente, le hace
inviable como formato legible de texto en la mayoría de lenguas del
planeta. En las últimas versiones de RTF ya sí se ofrece un mayor
soporte a Unicode.

Su éxito procede de que las indicaciones de formato son potentes

y son más legibles que el formato nativo de los procesadores de
textos.
{\rtf\ansicpg1252\deff0\deflang3082
{\fonttbl
{\f0\fcharset0\froman Times New Roman}
{\f1\fcharset0\fswiss Arial Black}
}
{\pard \f1\fs48
El reino de los animales
\par}
{\pard \f1\fs40
Mamíferos
\par}
{\pard \f0\fs25
Los mamíferos ({\b Mammalia}) son una clase de
vertebrados {\i amniotas homeotermos} que poseen
glándulas mamarias productoras de leche con las que
alimentan a las crías
\par}
{\pard \f1\fs40
Aves
\par}
{\pard \f0\fs25
Las aves son animales vertebrados, de sangre caliente,
que caminan, saltan o se mantienen solo sobre las
extremidades posteriores
\par}
}

Produce el resultado:

[1.4.5]SGML
Se trata de la versión de GML que estandarizaba el lenguaje de
marcado y que fue definida finalmente por ISO como estándar
mundial en documentos de texto con etiquetas de marcado.
Su importancia radica en que es el padre del lenguaje XML y la
base sobre la que se sostiene el lenguaje HTML.

En SGML las etiquetas que contienen indicaciones para el texto se

colocan entre símbolos < y >. Las etiquetas se cierran con el
signo /. Es decir las reglas fundamentales de los lenguajes de
etiquetas actuales ya las había definido SGML.

En realidad (como XML) no es un lenguaje con unas etiquetas

concretas, sino que se trata de un lenguaje que sirve para definir
lenguajes. Entre los lenguajes definidos mediante SGML, sin duda
HTML es el más popular.

Ejemplo:
<articulo>
<titulo1>El reino de los animales</titulo1>
<titulo2>Mamíferos</titulo2>
<normal>Los mamíferos (<negrita>Mammalia
</negrita>) son una clase de vertebrados
<cursiva>amniotas homeotermos</cursiva>. que poseen
glándulas mamarias productoras de leche con las que
alimentan a las crías</normal>
<titulo2>Aves</titulo2>
<normal>Las aves son animales vertebrados, de
sangre caliente, que caminan, saltan o se mantienen solo
sobre las extremidades posteriores</normal>
</articulo>

Como veremos más adelante, este documento es muy parecido a

un documento realizado en XML, de hecho XML es un subconjunto
de SGML más restrictivo (es un lenguaje que tiene normas más
estrictas).

SGML necesitará definir cómo se debe mostrar los

elementos titulo1, titulo2, etc. Ya que son nombres de elementos
que habrá que definir. Esa es la prueba de que es un lenguaje para
definir tipos de documento.

SGML aportó las etiquetas tal cual las conocemos actualmente

gracias al éxito de HTML.
[1.4.6]PostScript
Se trata de un lenguaje de descripción de páginas. De hecho es el
más popular para ese fin. Permite crear documentos en los que se
dan indicaciones potentísimas sobre como mostrar información en
el dispositivo final. Se inició su desarrollo en 1976 por John
Warnock y dos años más tarde se continuo con la empresa Xerox,
hasta que en 1985 el propio Warnock funda Adobe Systems y
desde esa empresa se continua su desarrollo.

Es en realidad todo un lenguaje de programación que indica la

forma en que se debe mostrar la información que puede incluir
texto y el tipo de letra del mismo, píxeles individuales y formas
vectoriales (líneas, curvas). Sus posibilidades son muy amplias.

Ejemplo1:
%colocar el cursor
100 100 moveto
%dibuja cuadrado
100 200 lineto
200 200 lineto
200 100 lineto
100 100 lineto
%relleno
stroke

[1.4.7]HTML
Tim Bernes Lee utilizó SGML para definir un nuevo lenguaje de
etiquetas que llamó Hypertext Markup Language (lenguaje de
marcado de hipertexto) para crear documentos transportables a
través de Internet en los que fuera posible el hipertexto; es decir la
posibilidad que determinadas palabras marcadas de forma
especial permitieran abrir un documento relacionado con ellas.

A pesar de tardar en ser aceptado, HTML fue un éxito rotundo y la

causa indudable del éxito de Internet. Hoy en día casi todo en
Internet se ve a través de documentos HTML, que popularmente
se denominan páginas web.
Inicialmente estos documentos se veían con ayuda de intérpretes
de texto (como por ejemplo el Lynx de Unix) que simplemente
coloreaban el texto y remarcaban el hipertexto. Después el
software se mejoró y aparecieron navegadores con capacidad más
gráfica para mostrar formatos más avanzados y visuales. Ejemplo
(usando el mismo contenido de los ejemplos anteriores):
<!DOCTYPE html>
<html lang=”es”>
<head>
<meta charset=”UTF-8”>
<title>Document</title>
</head>
<body>
<h1>El reino de los animales</h1>
<h2>Mamíferos</h2>
<p>Los mamíferos (<strong>Mammalia</strong>) son
una clase de vertebrados <em>amniotas homeotermos</em>
que poseen glándulas mamarias productoras de leche con
las que alimentan a las crías</p>
<h2>Aves</h2>
<p>Las aves son animales vertebrados, de sangre
caliente, que caminan, saltan o se mantienen solo sobre
las extremidades posteriores</p>
</body>
</html>

[1.4.8]XML
Se trata de un subconjunto de SGML ideado para mejorar el propio
SGML y con él definir lenguajes de marcado con sintaxis más
estricta, pero más entendibles. Su popularidad le ha convertido en
el lenguaje de marcado más importante de la actualidad y en el
formato de documentos para exportación e importación más
exitoso; especialmente cuando se usa con bases de datos.
<?xml version=”1.0” encoding=”UTF-8”?>
<nombre>Jorge</nombre>
<apellido1>Sánchez</apellido1>
<dirección>
<calle>C/ Falsa nº 0</calle>
<localidad>Palencia</localidad>
<código_Postal>34001</código_Postal>
<pais>España</pais>
</direccion>
<teléfonos>
<teléfono tipo=”fijo”>999 999 999</teléfono>
<teléfono tipo=”móvil”>666 666 666</teléfono>
</telefono>
[1.4.9]Markdown
Se trata de un formato de marcado simple que permite crear
documentos sencillos y convertirles en documentos HTML.

Fue creado por John Gruber con la ayuda de Aaron Shwartz. La

pretensión de este lenguaje es definir unas normas muy sencillas
para crear documentos semejantes a los que se crean mediante el
lenguaje HTML.

Ha tenido un éxito muy notable, especialmente desde que fue

adoptado por sitios tan populares
como GitHub, Reddit o StackExchange para que los usuarios
publicaran contenido con formato.

Ejemplo de texto con formato Markdown:

# El reino de los animales
## Mamíferos
Los mamíferos (**Mammalia**) son una clase de
vertebrados *amniotas homeotermos*. que poseen glándulas
mamarias productoras de leche con las que alimentan a
las crías
## Aves
Las aves son animales vertebrados, de sangre caliente,
que caminan, saltan o se mantienen solo sobre las
extremidades posteriores

Este código genera el mismo resultado que el código mostrado en

el apartado de HTML, pero se percibe claramente su sencillez.

[1.4.10]JSON
Abreviatura de JavaScript Object Notation, Se trata de una
notación de datos procedente del lenguaje JavaScript estándar
(concretamente en la versión ECMAScript de 1999). En el año
2002 se le daba soporte desde muchos de los navegadores y su
fama ha sido tal que ahora se ha convertido en una notación
independiente de JavaScript que compite claramente con XML en
funcionalidad.
Las razones de su éxito se deben a su versatilidad, ya que permiten
definir datos complejos, como arrays o código de funciones,
elementos pertenecientes al mundo de la programación de
aplicaciones. El éxito de JavaScript junto a la versatilidad
comentada, le han convertido en el lenguaje de marcado más
popular para almacenar datos.

En JSON, el texto se divide en datos y metadatos. De modo que el

símbolo de los dos puntos separa el metadato del dato. Por otro
lado, los símbolos de llave y corchete permiten agrupar de diversas
formas los datos.

Ejemplo de código JSON:

{
“nombre”: “Jorge”,
“apellido1”: “Sánchez”,
“dirección”: {
“calle”: “C/ Falsa nº 0”,
“localidad”: “Palencia”,
“código Postal”: 34001,
“país”:”España”
},
“teléfonos”: [
{
“tipo”: “fijo”,
“número”: “999 999 999”
},
{
“tipo”: “móvil”,
“number”: “666 666 666”
}
]
}

[1.5] tipos de lenguajes de marcas

 Orientados a la presentación. En ellos los metadatos
permiten indicar el formato en el que se debe presentar el
texto. Es el caso de RTF, en el que sus etiquetas especifican
tipos de letra, tamaños de página, colores, etc. Las primeras
versiones de HTML también se consideran así, ya que
incluían etiquetas como font mediante la cual se especificaba
el formato de fuente.
 Orientados a la descripción. En ellos las marcas especiales
permiten dar significado al texto pero no indican cómo se
debe presentar en pantalla el mismo. Sería el caso de XML (o
de SGML), JSON, Markdown y de las versiones actuales
de HTML. En estos lenguajes simplemente se indica el
significado del contenido: si el texto es un título, un párrafo
normal, un pie de ilustración, una dirección postal etc.
 Orientados a procedimientos. Se trata de documentos en
los que el texto marcado, se interpreta como órdenes a seguir,
y así el archivo en realidad contiene instrucciones a realizar
con el texto (girarle, convertirle en una fórmula, realizar una
suma, etc.). Es el caso de LaTeX o PostScript.