tests: Avoid failure based on encoding name differences.
[pspp.git] / doc / dev / portable-file-format.texi
blobd5f27610304ebac6948d99634ecbeaf4e2e5fa1f
1 @node Portable File Format
2 @appendix Portable File Format
4 These days, most computers use the same internal data formats for
5 integer and floating-point data, if one ignores little differences like
6 big- versus little-endian byte ordering.  However, occasionally it is
7 necessary to exchange data between systems with incompatible data
8 formats.  This is what portable files are designed to do.
10 @strong{Please note:} This information is gleaned from examination of
11 ASCII-formatted portable files only, so some of it may be incorrect
12 for portable files formatted in EBCDIC or other character sets.
14 @menu
15 * Portable File Characters::
16 * Portable File Structure::
17 * Portable File Header::
18 * Version and Date Info Record::
19 * Identification Records::
20 * Variable Count Record::
21 * Precision Record::
22 * Case Weight Variable Record::
23 * Variable Records::
24 * Value Label Records::
25 * Portable File Document Record::
26 * Portable File Data::
27 @end menu
29 @node Portable File Characters
30 @section Portable File Characters
32 Portable files are arranged as a series of lines of 80
33 characters each.  Each line is terminated by a carriage-return,
34 line-feed sequence (``new-lines'').  New-lines are only used to avoid
35 line length limits imposed by some OSes; they are not meaningful.
37 Most lines in portable files are exactly 80 characters long.  The only
38 exception is a line that ends in one or more spaces, in which the
39 spaces may optionally be omitted.  Thus, a portable file reader must
40 act as though a line shorter than 80 characters is padded to that
41 length with spaces.
43 The file must be terminated with a @samp{Z} character.  In addition, if
44 the final line in the file does not have exactly 80 characters, then it
45 is padded on the right with @samp{Z} characters.  (The file contents may
46 be in any character set; the file contains a description of its own
47 character set, as explained in the next section.  Therefore, the
48 @samp{Z} character is not necessarily an ASCII @samp{Z}.)
50 For the rest of the description of the portable file format, new-lines
51 and the trailing @samp{Z}s will be ignored, as if they did not exist,
52 because they are not an important part of understanding the file
53 contents.
55 @node Portable File Structure
56 @section Portable File Structure
58 Every portable file consists of the following records, in sequence:
60 @itemize @bullet
62 @item
63 File header.
65 @item
66 Version and date info.
68 @item
69 Product identification.
71 @item
72 Author identification (optional).
74 @item
75 Subproduct identification (optional).
77 @item
78 Variable count.
80 @item
81 Case weight variable (optional).
83 @item
84 Variables.  Each variable record may optionally be followed by a
85 missing value record and a variable label record.
87 @item
88 Value labels (optional).
90 @item
91 Documents (optional).
93 @item
94 Data.
95 @end itemize
97 Most records are identified by a single-character tag code.  The file
98 header and version info record do not have a tag.
100 Other than these single-character codes, there are three types of fields
101 in a portable file: floating-point, integer, and string.  Floating-point
102 fields have the following format:
104 @itemize @bullet
106 @item
107 Zero or more leading spaces.
109 @item
110 Optional asterisk (@samp{*}), which indicates a missing value.  The
111 asterisk must be followed by a single character, generally a period
112 (@samp{.}), but it appears that other characters may also be possible.
113 This completes the specification of a missing value.
115 @item
116 Optional minus sign (@samp{-}) to indicate a negative number.
118 @item
119 A whole number, consisting of one or more base-30 digits: @samp{0}
120 through @samp{9} plus capital letters @samp{A} through @samp{T}.
122 @item
123 Optional fraction, consisting of a radix point (@samp{.}) followed by
124 one or more base-30 digits.
126 @item
127 Optional exponent, consisting of a plus or minus sign (@samp{+} or
128 @samp{-}) followed by one or more base-30 digits.
130 @item
131 A forward slash (@samp{/}).
132 @end itemize
134 Integer fields take a form identical to floating-point fields, but they
135 may not contain a fraction.
137 String fields take the form of a integer field having value @var{n},
138 followed by exactly @var{n} characters, which are the string content.
140 @node Portable File Header
141 @section Portable File Header
143 Every portable file begins with a 464-byte header, consisting of a
144 200-byte collection of vanity splash strings, followed by a 256-byte
145 character set translation table, followed by an 8-byte tag string.
147 The 200-byte segment is divided into five 40-byte sections, each of
148 which represents the string @code{@var{charset} SPSS PORT FILE} in a
149 different character set encoding, where @var{charset} is the name of
150 the character set used in the file, e.g.@: @code{ASCII} or
151 @code{EBCDIC}.  Each string is padded on the right with spaces in its
152 respective character set.
154 It appears that these strings exist only to inform those who might view
155 the file on a screen, and that they are not parsed by SPSS products.
156 Thus, they can be safely ignored.  For those interested, the strings are
157 supposed to be in the following character sets, in the specified order:
158 EBCDIC, 7-bit ASCII, CDC 6-bit ASCII, 6-bit ASCII, Honeywell 6-bit
159 ASCII.
161 The 256-byte segment describes a mapping from the character set used in
162 the portable file to an arbitrary character set having characters at the
163 following positions:
165 @table @asis
166 @item 0--60
168 Control characters.  Not important enough to describe in full here.
170 @item 61--63
172 Reserved.
174 @item 64--73
176 Digits @samp{0} through @samp{9}.
178 @item 74--99
180 Capital letters @samp{A} through @samp{Z}.
182 @item 100--125
184 Lowercase letters @samp{a} through @samp{z}.
186 @item 126
188 Space.
190 @item 127--130
192 Symbols @code{.<(+}
194 @item 131
196 Solid vertical pipe.
198 @item 132--142
200 Symbols @code{&[]!$*);^-/}
202 @item 143
204 Broken vertical pipe.
206 @item 144--150
208 Symbols @code{,%_>}?@code{`:}   @c @code{?} is an inverted question mark
210 @item 151
212 British pound symbol.
214 @item 152--155
216 Symbols @code{@@'="}.
218 @item 156
220 Less than or equal symbol.
222 @item 157
224 Empty box.
226 @item 158
228 Plus or minus.
230 @item 159
232 Filled box.
234 @item 160
236 Degree symbol.
238 @item 161
240 Dagger.
242 @item 162
244 Symbol @samp{~}.
246 @item 163
248 En dash.
250 @item 164
252 Lower left corner box draw.
254 @item 165
256 Upper left corner box draw.
258 @item 166
260 Greater than or equal symbol.
262 @item 167--176
264 Superscript @samp{0} through @samp{9}.
266 @item 177
268 Lower right corner box draw.
270 @item 178
272 Upper right corner box draw.
274 @item 179
276 Not equal symbol.
278 @item 180
280 Em dash.
282 @item 181
284 Superscript @samp{(}.
286 @item 182
288 Superscript @samp{)}.
290 @item 183
292 Horizontal dagger (?).
294 @item 184--186
296 Symbols @samp{@{@}\}.
297 @item 187
299 Cents symbol.
301 @item 188
303 Centered dot, or bullet.
305 @item 189--255
307 Reserved.
308 @end table
310 Symbols that are not defined in a particular character set are set to
311 the same value as symbol 64; i.e., to @samp{0}.
313 The 8-byte tag string consists of the exact characters @code{SPSSPORT}
314 in the portable file's character set, which can be used to verify that
315 the file is indeed a portable file.
317 @node Version and Date Info Record
318 @section Version and Date Info Record
320 This record does not have a tag code.  It has the following structure:
322 @itemize @bullet
323 @item
324 A single character identifying the file format version.  The letter A
325 represents version 0, and so on.
327 @item
328 An 8-character string field giving the file creation date in the format
329 YYYYMMDD.
331 @item
332 A 6-character string field giving the file creation time in the format
333 HHMMSS.
334 @end itemize
336 @node Identification Records
337 @section Identification Records
339 The product identification record has tag code @samp{1}.  It consists of
340 a single string field giving the name of the product that wrote the
341 portable file.
343 The author identification record has tag code @samp{2}.  It is
344 optional.  If present, it consists of a single string field giving the
345 name of the person who caused the portable file to be written.
347 The subproduct identification record has tag code @samp{3}.  It is
348 optional.  If present, it consists of a single string field giving
349 additional information on the product that wrote the portable file.
351 @node Variable Count Record
352 @section Variable Count Record
354 The variable count record has tag code @samp{4}.  It consists of a
355 single integer field giving the number of variables in the file
356 dictionary.
358 @node Precision Record
359 @section Precision Record
361 The precision record has tag code @samp{5}.  It consists of a single
362 integer field specifying the maximum number of base-30 digits used in
363 data in the file.
365 @node Case Weight Variable Record
366 @section Case Weight Variable Record
368 The case weight variable record is optional.  If it is present, it
369 indicates the variable used for weighting cases; if it is absent,
370 cases are unweighted.  It has tag code @samp{6}.  It consists of a
371 single string field that names the weighting variable.
373 @node Variable Records
374 @section Variable Records
376 Each variable record represents a single variable.  Variable records
377 have tag code @samp{7}.  They have the following structure:
379 @itemize @bullet
381 @item
382 Width (integer).  This is 0 for a numeric variable, and a number between 1
383 and 255 for a string variable.
385 @item
386 Name (string).  1--8 characters long.  Must be in all capitals.
388 A few portable files that contain duplicate variable names have been
389 spotted in the wild.  PSPP handles these by renaming the duplicates
390 with numeric extensions: @code{@var{var}_1}, @code{@var{var}_2}, and
391 so on.
393 @item
394 Print format.  This is a set of three integer fields:
396 @itemize @minus
398 @item
399 Format type (@pxref{Variable Record}).
401 @item
402 Format width.  1--40.
404 @item
405 Number of decimal places.  1--40.
406 @end itemize
408 A few portable files with invalid format types or formats that are not
409 of the appropriate width for their variables have been spotted in the
410 wild.  PSPP assigns a default F or A format to a variable with an
411 invalid format.
413 @item
414 Write format.  Same structure as the print format described above.
415 @end itemize
417 Each variable record can optionally be followed by a missing value
418 record, which has tag code @samp{8}.  A missing value record has one
419 field, the missing value itself (a floating-point or string, as
420 appropriate).  Up to three of these missing value records can be used.
422 There is also a record for missing value ranges, which has tag code
423 @samp{B}.  It is followed by two fields representing the range, which
424 are floating-point or string as appropriate.  If a missing value range
425 is present, it may be followed by a single missing value record.
427 Tag codes @samp{9} and @samp{A} represent @code{LO THRU @var{x}} and
428 @code{@var{x} THRU HI} ranges, respectively.  Each is followed by a
429 single field representing @var{x}.  If one of the ranges is present, it
430 may be followed by a single missing value record.
432 In addition, each variable record can optionally be followed by a
433 variable label record, which has tag code @samp{C}.  A variable label
434 record has one field, the variable label itself (string).
436 @node Value Label Records
437 @section Value Label Records
439 Value label records have tag code @samp{D}.  They have the following
440 format:
442 @itemize @bullet
443 @item
444 Variable count (integer).
446 @item
447 List of variables (strings).  The variable count specifies the number in
448 the list.  Variables are specified by their names.  All variables must
449 be of the same type (numeric or string), but string variables do not
450 necessarily have the same width.
452 @item
453 Label count (integer).
455 @item
456 List of (value, label) tuples.  The label count specifies the number of
457 tuples.  Each tuple consists of a value, which is numeric or string as
458 appropriate to the variables, followed by a label (string).
459 @end itemize
461 A few portable files that specify duplicate value labels, that is, two
462 different labels for a single value of a single variable, have been
463 spotted in the wild.  PSPP uses the last value label specified in
464 these cases.
466 @node Portable File Document Record
467 @section Document Record
469 One document record may optionally follow the value label record.  The
470 document record consists of tag code @samp{E}, following by the number
471 of document lines as an integer, followed by that number of strings,
472 each of which represents one document line.  Document lines must be 80
473 bytes long or shorter.
475 @node Portable File Data
476 @section Portable File Data
478 The data record has tag code @samp{F}.  There is only one tag for all
479 the data; thus, all the data must follow the dictionary.  The data is
480 terminated by the end-of-file marker @samp{Z}, which is not valid as the
481 beginning of a data element.
483 Data elements are output in the same order as the variable records
484 describing them.  String variables are output as string fields, and
485 numeric variables are output as floating-point fields.
486 @setfilename ignored