plucky (7) utf-8.7.gz

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/IEC
       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 wie US-ASCII oder ISO/IEC 8859 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/IEC-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/IEC 2022 ist ESC % @ ("\x1b%@"). Andere ISO/IEC-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 dem Nullbyte
       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)

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
       ⟨https://www.gnu.org/licenses/gpl-3.0.html⟩ 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  die
       Mailingliste der Übersetzer ⟨debian-l10n-german@lists.debian.org⟩.