5. UTF-8

Werden Unicode-Zeichen ins binäre übersetzt wird klar, dass diese Zahlen nicht mehr nur mit einem Byte dargestellt werden können. Beispielsweise ist dem Affen-Emoji 🐒 die Zahl $128018_{10}$ zugewiesen, was der Binärzahl $00000001\:11110100\:00010010_{2}$ entspricht, also 3 Bytes Speicherplatz benötigt.

info

1 Byte

entspricht $8$ Bit

1 Megabit

entspricht $1'000'000$ Bit

1 Megabyte

entspricht $1'000'000$ Bytes oder $8'000'000$ Bit

UTF-8

ist ein Code, der Unicode-Zeichen in Bitmuster übersetzt. Ein Unicode-Zeichen wird mit ein bis vier Bytes (daher 8-32 bit) dargestellt. Die folgende Tabelle zeigt, wie die Codierung funktioniert:

Unicode-Bereich	Bitmuster	Anzahl Bit	Byte 1: Anzahl Kontroll-Bits
0 bis 127	0xxxxxxx	7	1
128 bis 2047	110xxxxx 10xxxxxx	11	3
2048 bis 65535	1110xxxx 10xxxxxx 10xxxxxx	16	4
ab 65536	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx	21	5

Unicode-Zeichen mit einer Nummer zwischen 0 und 127 werden mit einem Byte dargestellt, welches mit 0 beginnt. Somit ist UTF-8 in diesem Bereich identisch mit ASCII (und Latin 1).

Für die anderen Zeichen wird mehr als ein Byte verwendet. Dabei beginnt jedes Byte mit einer oder mehreren 1, gefolgt von einer 0. Die Anzahl 1 im ersten Byte definieren, wie viele Bytes für das Zeichen verwendet werden. Die folgenden Bytes werden mit 10 markiert. Die x werden mit der Binärdarstellung der Unicode-Nummer aufgefüllt.

Zeichen	Nummer	Bitmuster
A	65	01000001
ä	228	11000011 10100100
Schwarze Sonne mit Strahlen ☀	9728	11100010 10011000 10000000
Affe 🐒	128018	11110000 10011111 10010000 10010010

Der Vorteil dieser Codierung ist, dass anhand der ersten Bits eines Bytes erkannt wird, ob es sich um den Anfang oder die Fortsetzung eines Zeichens handelt.

Beginn	Bedeutung
0…	ASCII-Zeichen
10…	Fortsetzung eines Zeichens mit mehreren Bytes
110…	Beginn eines Zeichens mit zwei Bytes
1110…	Beginn eines Zeichens mit drei Bytes
11110…	Beginn eines Zeichens mit vier Bytes

Dies wird noch deutlicher, wenn man dies als Binärbaum darstellt:

UTF-8 Präfix

Ausprobieren

Bin Decoder

Modus

01010010 01100101 01110100 01101111

Chr	Dec	Bin

Aufgabe

Codieren Sie Ihre zwei lieblings Emojis als UTF-8 Binär-Kette. Verwenden Sie für das Herausfinden der binären Codierung die Hilfe von Python.

Mehrstufige Codierung ¹

Oft werden Informationen mehrstufig codiert. So wird beispielsweise die Information «Ich bin müde.» als Emoji dargestellt. Das Handy ordnet dem Emoji die entsprechende Unicode-Nummer zu. Diese wird mit UTF-8 in eine Bitfolge übersetzt, welche über das Mobilfunknetz übermittelt wird.

Das Handy des Empfängers übersetzt die Bitfolge wieder zurück in eine Unicode-Nummer und das entsprechende Emoji. Die Interpretation des Emojis muss vom Empfänger selbst vorgenommen werden.

Unicode zu UTF-8

---

1. Remix rothe.io

   ↩