Schei� Codierung

Wer kennt das Pro­blem nicht: Die Umlau­te feh­len in einem Text: statt­des­sen nur Fra­ge­zei­chen oder komi­sche Sym­bo­le. Der Grund dafür sind unter­schied­li­che Zei­chen­ko­die­run­gen. UTF‑8 ist eine Ver­fah­ren Zei­chen aus ver­schie­de­nen Spra­chen ein­heit­lich dar­zu­stel­len. Um ver­ständ­lich zu machen, wie das geht und was die Vor­tei­le davon sind, greif ich mal ein wenig in die Klamottenkiste.

ASCII

Ende der 1960er Jah­re sind eine gan­ze Men­ge schlau­er Sachen erfun­den wor­den: Die Mou­se, das @-Zeichen und zum Bei­spiel auch ASCII. ASCII steht für Ame­ri­can Stan­dard Code for Infor­ma­ti­on Inter­ch­an­ge und bedeu­tet, dass es sich dabei um einen ame­ri­ka­ni­schen Stan­dard für den Aus­tausch von Zei­chen han­delt. ASCII hat fest­ge­legt, dass bestimm­te Bit­fol­gen für bestimm­te Buch­sta­ben stehen: 

• A = 01000001
• B = 01000010
• C = 01000011
• …
  

Man hat hier nur 7‑Bit defi­niert – das ers­te Bit in Stan­dard 8‑Bitsystemen ist damit immer eine 0. Damit kann man 128 ver­schie­de­ne Buch­sta­ben und Zah­len defi­nie­ren. Den Ame­ri­ka­nern hat das gereicht – das Eng­li­sche hat kei­ne Umlau­te. Im Deut­schen möch­te man aber ger­ne das Ö und im Däni­schen das Ø benut­zen. Das geht mit ASCII nicht. 

ISO 8859

Ende der 1990er hat man sich dann inter­na­tio­nal zusam­men­ge­setzt und eine Stan­dard ent­wi­ckelt: ISO 8859 nutzt das 8te Bit mit und ver­dop­pelt damit die Zahl der mög­li­chen Zei­chen. Da selbst 128 zusätz­li­che Zei­chen nicht rei­chen, um alle Zei­chen­sys­te­me der Welt abzu­de­cken, hat man meh­re­re Unter­stan­dards ent­wor­fen. Die sind durch die End­num­mer bezeich­net: ISO 8859–1 umfass­te in den ers­ten 128 Zei­chen den nor­ma­len ASCII-Zei­chen­satz und dar­über unter ande­rem die deut­schen Umlau­te (öäüÖÄÜ) das ß usw. Die­ser Stan­dard wur­de dann durch ISO 8859–15 ersetzt, um zum Bei­spiel das Euro-Zei­chen (€) aufzunehmen. 

Das hat dann ganz okay funk­tio­niert, solan­ge man nur einen sol­chen Zei­chen­satz auf einer Web­site benut­zen muss­te. Man hat auf einer deut­schen Inter­net­sei­te ein­fach die Aus­ga­be so ein­ge­stellt, dass sie ISO 8859–15 aus­gibt und konn­te damit her­vor­ra­gend deut­sche, aber zum Bei­spiel auch däni­sche Tex­te anzei­gen las­sen. Es ist aber voll­kom­men unmög­lich damit Chi­ne­sisch oder ähn­li­che abge­fah­re­ne Sachen anzu­zei­gen. Dazu benö­tigt man mehr Platz für Zeichen. 

UTF‑8

Hier setzt UTF‑8 an: UTF‑8 bedeu­tet 8‑bit UCS Trans­for­ma­ti­on For­mat und der Stan­dard nutzt ein bis vier 8‑Bit-Fol­gen. Ein­fachs­tes Bei­spiel: Es wird nur eine 8‑Bitfolge genutzt, dann ent­spre­chen die Bit­mus­ter ASCII. Das wären theo­re­tisch über 4 Bil­lio­nen Zei­chen mög­lich. Das wird aber wie­der ein­ge­schränkt, so dass aber immer­hin noch 1.114.112 Mög­lich­kei­ten zur Ver­fü­gung ste­hen. Ein Bei­spiel dafür, was damit jetzt mög­lich ist, zeigt der UTF-8-Sam­pler.

Beliebt ist UTF‑8 in vie­len moder­nen Soft­ware­an­wen­dun­gen gera­de dann, wenn ver­schie­de­ne Sys­tem inter­agie­ren. Vie­le APIs geben UTF‑8 aus, weil es dann nicht zu Schwie­rig­kei­ten durch unter­schied­li­ches Enco­ding kom­men kann. 

Links

• Wiki­pe­dia: UTF‑8
• Wiki­pe­dia: ISO 8859
• Wiki­pe­dia: ASCII
• get­Di­gi­tal: T‑Shirt „Sch­ei� Codierung“ 
  

Foto: Miss X /​ photocase.com