Scroll to navigation

UTF-8(7) Linux-Programmierhandbuch UTF-8(7)

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 5.13 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 die Mailingliste der Übersetzer.

6. März 2019 GNU