Unicode Ein Kompakter Überblick Des Standards Geschichte, 1
Total Page:16
File Type:pdf, Size:1020Kb
Unicode Ein kompakter Überblick des Standards Geschichte, 1 • Computer können nur Zahlen • Textzeichen repräsentiert durch Zahlen • ASCII • alphanumerische + Steuer- & Symbolzeichen • 7-bit Muster http://en.wikipedia.org/wiki/File:ASCII_Code_Chart-Quick_ref_card.png Geschichte, 2 • Text Encodings/Code Pages (8 bit) • Kollisionen • z.B. Westeuropäisch und Griechisch • Kompatibilitätsprobleme ISO/IEC 8859-1 _0 _1 _2 _3 _4 _5 _6 _7 _8 _9 _A _B _C _D _E _F 0_ ! 1_ ! SP! !! "! #! $! %! &! (! )! *! +! ,! -! .! /! 2_ ! 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 0! 1! 2! 3! 4! 5! 6! 7! 8! 9! :! ;! <! =! >! ?! 3_ 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 @! A! B! C! D! E! F! G! H! I! J! K! L! M! N! O! 4_ 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 P! Q! R! S! T! U! V! W! X! Y! Z! [! \! ]! ^! _! 5_ 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 `! a! b! c! d! e! f! g! h! i! j! k! l! m! n! o! 6_ 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 p! q! r! s! t! u! v! w! x! y! z! {! |! }! ~! 7_ 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 8_ ! 9_ ! A_" NBSP! ¡! ¢! £! ¤! ¥! #! §! ¨! ©! ª! «! ¬! SHY! ®! ¯! 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 B_" °! ±! $! %! ´! µ! ¶! ·! ¸! &! º! »! '! (! )! ¿! 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 C_" À! Á! Â! Ã! Ä! Å! Æ! Ç! È! É! Ê! Ë! Ì! Í! Î! Ï! 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 D_" *! Ñ! Ò! Ó! Ô! Õ! Ö! +! Ø! Ù! Ú! Û! Ü! ,! -! ß! 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 E_" à! á! â! ã! ä! å! æ! ç! è! é! ê! ë! ì! í! î! ï! 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 F_" .! ñ! ò! ó! ô! õ! ö! ÷! ø! ù! ú! û! ü! /! 0! ÿ! 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 _0 _1 _2 _3 _4 _5 _6 _7 _8 _9 _A _B _C _D _E _F Mac Roman _0 _1 _2 _3 _4 _5 _6 _7 _8 _9 _A _B _C _D _E _F NUL! SOH! STX! ETX! EOT! ENQ! ACK! BEL! BS! HT! LF! VT! FF! CR! SO! SI! 0_ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 DLE! DC1⌘! DC2⌘! DC3⌘! DC4⌘! NAK! SYN! ETB! CAN! EM! SUB! ESC! FS! GS! RS! US! 1_ 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 SP! !! "! #! $! %! &! (! )! *! +! ,! -! .! /! 2_ ! 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 0! 1! 2! 3! 4! 5! 6! 7! 8! 9! :! ;! <! =! >! ?! 3_ 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 @! A! B! C! D! E! F! G! H! I! J! K! L! M! N! O! 4_ 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 P! Q! R! S! T! U! V! W! X! Y! Z! [! \! ]! ^! _! 5_ 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 `! a! b! c! d! e! f! g! h! i! j! k! l! m! n! o! 6_ 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 p! q! r! s! t! u! v! w! x! y! z! {! |! }! ~! DEL! 7_ 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 Ä! Å! Ç! É! Ñ! Ö! Ü! á! à! â! ä! ã! å! ç! é! è! 8_ 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 ê! ë! í! ì! î! ï! ñ! ó! ò! ô! ö! õ! ú! ù! û! ü! 9_ 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 A_" †! °! ¢! £! §! •! ¶! ß! ®! ©! ™! ´! ¨! 1! Æ! Ø! 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 B_" 2! ±! 3! 4! ¥! µ! 5! 6! 7! 8! 9! ª! º! :! æ! ø! 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 C_" ¿! ¡! ¬! ;! ƒ! ≈ =! «! »! …! NBSP! À! Ã! Õ! Œ! œ! 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 D_" –! —! “! ”! ! ! ÷! >! ÿ! Ÿ! ⁄! ?¤! ‹! ›! fi! fl! 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 E_" ‡! ·! ! „! ‰! Â! Ê! Á! Ë! È! Í! Î! Ï! Ì! Ó! Ô! 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 F_" @! Ò! Ú! Û! Ù! ı! ˆ! ˜! ¯! ˘! ˙! ˚! ¸! ˝! ˛! ˇ! 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 _0 _1 _2 _3 _4 _5 _6 _7 _8 _9 _A _B _C _D _E _F Geschichte, 3 • Unicode • standardisiert ab 1991 • Untermenge UCS Universal Character Set (UCS), 1 • UCS: einfache Zuordnung von • Symbolen • Namen (in Großbuchstaben) • Zahlen (Unicode Code Points, U+HEX) • „e“ U+0065 (LATIN SMALL LETTER E) Universal Character Set (UCS), 2 • ursprünglich 16-bit (65,536) • UCS-2 • U+0000 bis U+FFFF Erweiterung auf 21 bit, 1 • Zeichenvorrat zu klein • historische und selten verwendete Zeichen • UTF-16: U+0000 bis U+10FFFF • 1,114,112 Zeichen verteilt auf • 17 Ebenen (Planes) à 65,536 Zeichen Erweiterung auf 21 bit, 2 • ursprüngliche Zeichen in Plane 0 • Basic Multilingual Plane (BMP) • Emoji in Plane 1 • � Private Use Area (PUA) • Nutzungsbereich für „eigene“ Zeichen • Ursprünglich U+E000 bis U+F8FF • Zusätzlich: Plane 15 & 16 • nicht im Datenaustausch verwenden • nur „intern“! Unicode • Zusätzlich zu UCS: • Sortierungsregeln • Algorithmensammlung • Metadaten • „character properties“ Rückwärtskompatibilität • die ersten 256 Code Points entsprechen ISO Latin 1 (ISO-8859-1) • Combining Character Sequences Combining Character Sequences, 1 • mehrere Wege führen nach Rom zu einigen der Zeichen • Als einzelnes Symbol … • „é“ U+00E9 (LATIN SMALL LETTER E WITH ACUTE) Combining Character Sequences, 2 • … oder zusammengesetzt aus mehreren: • „e“ U+0065 (LATIN SMALL LETTER E) + • „´“ U+0301 (COMBINING ACUTE ACCENT) Equal vs. equivalent • die beiden „é“ sind nicht „gleich“ sondern „canonically equivalent“ • manche Zeichen sind visuell identisch, aber tragen unterschiedlicher Bedeutungen: • Å (LATIN CAPITAL LETTER A WITH RING ABOVE, U+00C5) • Å (ANGSTROM SIGN, U+212B) Beispiel: Ligaturen • zu einem Zeichen zusammengezogene Buchstaben • (LATIN SMALL LIGATURE FF, U+FB00) ff • (LATIN SMALL LETTER F * 2, U+0066) • compatibility equivalence ff • (aber nicht „canonically equivalent“) Unicode Code Points • … sind nur einfache Zahlen • wir brauchen deshalb • Unicode Transformation Format (UTF) • algorithmisch festgelegte Kodierungen eines jeden Unicode Code Point als Bytesequenz Unicode Transformation Formats (UTF), 1 • verbreitet: • UTF-8 • UTF-16 • UTF-32 • plus maschinenabhängige Varianten (endianness, BOM) Unicode Transformation Formats (UTF), 2 • UTF-8 • Web, Go, Linux, Unix • UTF-16 • APIs von Java, JavaScript, OS X, Windows • UTF-32 • Linux, Unix Weitere wichtige Begriffe Code Units • „Datenwörter“ fester Größe • manchmal mehrere Code Units für einen Code Point nötig • Besonders bei UTF-8 … • … aber auch bei UTF-16! • Ausnahme: UTF-32 Grapheme Clusters • „user-perceived characters“ • ≥ 1 Code Point • auch in UTF-32 (combining characters)! • Segmentierungalgorithmus Weggelassen • Normalization Forms • Glyphenvarianten (z.B. Arabisch) Quellen, 1 • NSString and Unicode - Strings - objc.io issue #9 • Unicode - Wikipedia, the free encyclopedia • Private Use Areas - Wikipedia, the free encyclopedia • Unicode equivalence - Wikipedia, the free encyclopedia Quellen, 2 • FAQ - UTF-8, UTF-16, UTF-32 & BOM • UTF-8 - Wikipedia, the free encyclopedia • UTF-16 - Wikipedia, the free encyclopedia • ISO/IEC 8859-1 - Wikipedia, the free encyclopedia Quellen, 3 • UAX #29: Unicode Text Segmentation • Universal Character Set • Unicode character property • Comparison of Unicode encodings.