focal (7) utf-8.7.gz

Provided by: manpages-de_2.16-1_all bug

BEZEICHNUNG
       UTF-8 - eine ASCII-kompatible Multibyte-Unicode-Kodierung


BESCHREIBUNG
       Der  Unicode-3.0-Zeichensatz  ist  durch 16-Bit-Wörter definiert. Die offensichtlichste Unicode-Kodierung
       (UCS-2) besteht aus einer Folge von 16-Bit-Zeichen. Solche Zeichenketten können – als Bestandteile vieler
       16-Bit-Zeichen  –  Bytes  wie '\0' oder '/' enthalten, die z. B. in Dateinamen und anderen Argumenten von
       C-Bibliotheksfunktionen eine besondere Bedeutung haben. Außerdem arbeiten die meisten UNIX-Programme  mit
       ASCII-Dateien  und  können 16-Bit-Wörter nicht ohne größere Änderungen verarbeiten. Darum ist UCS-2 keine
       geeignete externe Kodierung von Unicode in Dateinamen,  Text-Dateien,  Umgebungsvariablen  usw.  Der  ISO
       10646  Universal  Character  Set  (UCS),  eine  Erweiterung von Unicode, belegt sogar einen noch größeren
       Code-Raum – 31 Bit. Die offensichtliche UCS-4-Kodierung dafür  (eine  Folge  von  32-Bit-Wörtern)  leidet
       unter denselben Problemen wie die UCS-2-Kodierung.

       Die   UTF-8-Kodierung  von  Unicode  und  UCS  hat  diese  Probleme  nicht.  Sie  ist  der  gebräuchliche
       Anwendungsfall des Unicode-Zeichensatzes auf UNIX-artigen Betriebssystemen.

   Eigenschaften
       Die UTF-8-Kodierung hat die folgenden netten Eigenschaften:

       * Die UCS-Zeichen 0x00000000 bis 0x0000007f (die klassischen US-ASCII-Zeichen)  werden  einfach  als  die
         Bytes  0x00  bis  0x7f kodiert und auf diese Weise die ASCII-Kompatibilität hergestellt. Dateinamen und
         Zeichenketten, die nur aus 7-Bit-ASCII-Zeichen bestehen, haben darum unter  ASCII  und  UTF-8  dieselbe
         Kodierung.

       * Alle  UCS-Zeichen  über  0x7f  werden als Folge mehrerer Bytes im Bereich 0x80 bis 0xfd dargestellt, so
         dass kein ASCII-Byte als Teil eines anderen Zeichens auftritt und es keine Probleme z.B. mit '\0'  oder
         '/' gibt.

       * Die lexikographische Sortierreihenfolge von UCS-4-Zeichenketten bleibt erhalten.

       * Alle möglichen 2^31 UCS-Zeichen können mit UTF-8 kodiert werden.

       * Die Bytes 0xc0, 0xc1, 0xfe und 0xff werden in der UTF-8-Kodierung nicht verwendet.

       * Das  erste  Byte  einer  Multibyte-Folge,  die  ein  einzelnes  nicht  in ASCII enthaltenes UCS-Zeichen
         darstellt, ist grundsätzlich im Bereich 0xc2 bis 0xfd und zeigt die Länge der Folge  an.  Alle  anderen
         Bytes  der  Folge  sind  im  Bereich  0x80  bis  0xbf.  Dadurch  wird eine einfache Neusynchronisierung
         ermöglich, da die Kodierung zustandslos und daher robust gegenüber fehlenden oder  verloren  gegangenen
         Bytes ist.

       * UTF-8-kodierte  UCS-Zeichen  können bis zu sechs Byte lang sein. Da aber die Unicode-Norm keine Zeichen
         über 0x10FFFF spezifiziert, können Unicode-Zeichen in UTF-8 nur bis zu vier Byte lang sein.

   Kodierung
       Die folgenden Byte-Folgen werden für die Darstellung eines Zeichens verwendet. Die zu  verwendende  Folge
       hängt vom UCS-Code des Zeichens ab:

       0x00000000 - 0x0000007F:
           0xxxxxxx

       0x00000080 - 0x000007FF:
           110xxxxx 10xxxxxx

       0x00000800 - 0x0000FFFF:
           1110xxxx 10xxxxxx 10xxxxxx

       0x00010000 - 0x001FFFFF:
           11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

       0x00200000 - 0x03FFFFFF:
           111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

       0x04000000 - 0x7FFFFFFF:
           1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

       Die xxx-Bits werden durch den Code des Zeichens in Binärdarstellung ersetzt, mit dem höchstwertigsten Bit
       zuerst (Big Endian). Es wird die jeweils kürzeste Multibyte-Folge benutzt,  die  den  Code  des  Zeichens
       darstellen kann.

       Die  UCS-Codewerte  0xd800–0xdfff  (UTF-16-Ersatzzeichen)  sowie 0xfffe und 0xffff (in UCS keinem Zeichen
       zugeordnet; UCS noncharacters) sollten nicht  in  standardkonformen  UTF-8-Datenströmen  enthalten  sein.
       Gemäß  RFC  3629  sollte kein Punkt oberhalb von U+10FFFF verwendet werden, wodurch Zeichen auf vier Byte
       beschränkt werden.

   Beispiel
       Das Unicode-Zeichen 0xa9 = 1010 1001 (das Copyright-Zeichen) wird in UTF-8 als

              11000010 10101001 = 0xc2 0xa9

       dargestellt und das Zeichen 0x2260 = 0010 0010 0110 0000 (das Ungleich-Symbol) als:

              11100010 10001001 10100000 = 0xe2 0x89 0xa0

   Bemerkungen zur Anwendung
       Anwender müssen, z.B. mit

              export LANG=en_GB.UTF-8,

       eine UTF-8-Locale wählen, um die UTF-8-Unterstützung in Programmen zu aktivieren.

       Anwendungs-Software, die auf den verwendeten Zeichensatz achten muss, sollte immer, z. B. mit

              setlocale(LC_CTYPE, ""),

       die Locale setzen und Programmierer anschließend den Ausdruck

              strcmp(nl_langinfo(CODESET), "UTF-8") == 0

       auswerten,  um  festzustellen,  ob  eine  UTF-8-Locale  ausgewählt   wurde   und   ob   daher   sämtliche
       Standard-Klartexteingaben  und  -ausgaben,  Terminalkommunikation,  Klartext-Dateiinhalte, Dateinamen und
       Umgebungsvariablen in UTF-8 kodiert sind.

       An Einzel-Byte-Kodierungen gewöhnte Programmierer müssen  daran  denken,  dass  zwei  bislang  getroffene
       Annahmen in UTF-8-Locales nicht mehr gültig sind. Erstens bedeutet ein einziges Byte nicht mehr unbedingt
       ein einzelnes  Zeichen.  Zweitens,  da  moderne  Terminal-Emulatoren  im  UTF-8-Modus  auch  chinesische,
       japanische  und koreanische Zeichen doppelter Breite sowie Kombinationszeichen ohne horizontalen Vorschub
       unterstützen, setzt die Ausgabe eines einzelnen Zeichens nicht unbedingt  den  Cursor  um  eine  Position
       weiter,  wie es bei ASCII der Fall war. Heutzutage sollten Sie Bibliotheksfunktionen wie mbsrtowcs(3) und
       wcswidth(3) nutzen, um Zeichen und Cursorpositionen zählen.

       Die offizielle Escape-Sequenz aus einem ISO-2022-Kodierungsschema (wie zum Beispiel  von  VT100-Terminals
       verwendet) nach UTF-8 ist ESC % G ("\x1b%G"). Die entsprechende Sequenz für die Rückkehr von UTF-8 zu ISO
       2022 ist ESC % @ ("\x1b%@"). Andere ISO-2022-Sequenzen (wie zum Umschalten der G0- und G1-Sätze) sind  im
       UTF-8-Modus nicht anwendbar.

   Sicherheit
       Die  Standards Unicode und UCS fordern, dass Erzeuger von UTF-8 die kürzeste mögliche Form liefern. Z. B.
       ist der Erzeugung einer Zwei-Byte-Sequenz mit dem ersten Byte 0xc0 nicht konform.  Unicode  3.1  fordert,
       dass  konforme Programme in ihrer Eingabe Formen, die nicht die kürzesten sind, nicht akzeptieren dürfen.
       Dies  geschieht  aus  Sicherheitsgründen:  Wenn  Benutzereingaben  auf  mögliche  Sicherheitsverletzungen
       überprüft  werden,  könnte  ein Programm nur nach den ASCII-Versionen von "/../" oder ";" oder NUL suchen
       und  übersehen,  dass  es  viele  Möglichkeiten  einer  Nicht-ASCII-Darstellung   neben   der   kürzesten
       UFT-8-Kodierung dieser Zeichen gibt.

   Standards
       ISO/IEC 10646-1:2000, Unicode 3.1, RFC 3629, Plan 9.


SIEHE AUCH
       locale(1), nl_langinfo(3), setlocale(3), charsets(7), unicode(7)


KOLOPHON
       Diese  Seite  ist  Teil  der  Veröffentlichung  5.03  des Projekts Linux-man-pages. Eine Beschreibung des
       Projekts, Informationen, wie Fehler gemeldet werden können sowie die aktuelle Version dieser Seite finden
       sich unter https://www.kernel.org/doc/man-pages/.


ÜBERSETZUNG
       Die  deutsche  Übersetzung  dieser Handbuchseite wurde von Sebastian Rittau <srittau@jroger.in-berlin.de>
       und Martin Eberhard Schauer <Martin.E.Schauer@gmx.de> erstellt.

       Diese Übersetzung ist Freie Dokumentation; lesen Sie die GNU General Public License Version 3 oder  neuer
       bezüglich der Copyright-Bedingungen. Es wird KEINE HAFTUNG übernommen.

       Wenn  Sie  Fehler  in  der  Übersetzung  dieser  Handbuchseite  finden, schicken Sie bitte eine E-Mail an
       <debian-l10n-german@lists.debian.org>.