MyWiki

Zuletzt angesehen: • set_export_env • unicode

unicode

Definiert einen Zeichensatz der möglichst alle Zeichen existierender (aktiver) Sprachen enthält
- Zeichensatz → Zeichen + ihr Code
Definiert nicht die graphische Darstellung der Zeichen
- nur das das Zeichen existiert, seinen Namen und seinen Code
- die Darstellung muss durch entsprechende Fonts definiert werden
Jedes Zeichen hat einen Code-Point (eine (in der Regel) Hex-Zahl die für dieses Zeichen steht

Zeichenkodierung

die Darstellung von Unicode-Codepoints als 1 und 0
üblich ist UTF und am weitesten verbreitet sind UTF-8 und UTF-16, spezifiziert ist noch UTF-32
UTF (Unicode Transformation Format)

alle UTF-Kodierungen können alle Unicode-Codepoints kodieren/abbilden
die Zahl hinter UTF (z.B. UTF-8) gibt an wie viele Bits per Default für die Darstellung eines Zeichens verwendet wird
- UTF-8 → 8 Bit aka. 1 Byte
- UTF-16 → 16 Bit aka. 2 Byte
- UTF-32 → 32 Bit aka. 4 Byte

UTF-8 ist in Europa gebräuchlich
- die meisten Buchstaben/Zeichen in Europa sind über 1 Byte abbildbar (eigentlich über 7-Bit, das 8te hat eine besondere Bedeutung)
UTF-16 ist in Asien gebräuchlich
- da mehr Zeichen notwendig sind (China)
UTF-32 ist nicht gebräuchlich
- fixe Abbildung von Code-Points

Sinn von UTF-8 und UTF-16 ist nicht mehr Bits zu belegen als notwendig ist
wenn ein Unicode-Codepoint sich nicht über 8 bzw. 16 Bit passt wird ein weiteres Byte hinzugefügt
- und ggf. noch eins, im Zweifel bis zu insgesamt 4 Byte belegt
- d.h. UTF-8 nutzt dann z.B. 16 statt 8-Bit oder 24 oder 32

bei UTF-32 entspricht der Unicode-Codepoint exakt dem wie es auch kodiert wird
- Copyright-Zeichen hat Code-Point 00A9 und wird als A9 (mit führenden 0en) kodiert
bei UTF-8 und UTF-16 müssen weitere Informationen (z.B. das ein weiteres Byte folgt) kodiert werden, weshalb die Unicode-Zeichenkodes nicht 1:1 kodiert werden
- Copyright-Zeichen hat Unicode-Code-Point 00A9 und wird zu c2A9 in UTF-8

unicode.txt · Zuletzt geändert: 2022/07/15 09:50 von root