Semistrukturierte Daten 1 Gruppe 8 UNICODE Semistrukturierte Daten 1 Gruppe 8

Inhalt Motivation History – Birth of Unicode Die Organisation Anwendungsgebiete Technische Sichtweise / Charactersets Fonts / Kodierungskriterien Unicode in HTML / XML Links & Resources / Q & A

Motivation Problem: andere Länder – andere Schriften… Ziel: alle weltweit bekannten Textzeichen in einem Zeichensatz zusammenzufassen Anzahl riesig (allein >9000 chinesische Zeichen) Gesucht: innovative Lösung um alles unter einen Hut zu kriegen

Was wird nun codiert? Zeilenende Absatzende Schreibrichtung (nach rechts / links) 94.140 Zeichen (auf mehreren Ebenen) ABER: Darstellung nicht durch jeden Font möglich – meist kostenpflichtig

Was ist Unicode Internationaler Standard Zeichensatz  eine eindeutige Nummer für jedes Zeichen Unicode ist: Plattformunabhängig Programm/Programmiersprachen unabhängig Sprachenunabhängig Erste vereinheitlichende Codierung, die ALLE Zeichen darstellen konnte Durch zentrales gemeinnütziges Konsortium entwickelt und geregelt Einsatzbereich, vor allem für Programme die: auf mehreren Plattformen laufen in mehreren Sprachen laufen ohne großen Aufwand verschiedenste Sprachen implementieren Aktuellste Version: 4.1.0 Unicode ist KEIN Font

History – Birth of Unicode V 1.0 1986 Xerox works on an idea to merge Japanese and Chinese characters more easily Apple works out a theory to come up with a universal character set for the Apple File Exchange development 1987 Unicode's original "begin at 0 and add the next character" architecture is created Xerox begins discussing multilingual issues, new character encoding is a major topic, fixed-width design is preferable. Earliest documented use of the term "Unicode” 1988 Apple advances the idea about fixed-width 16 bit characters First presentation of the Unicode principles in Dallas

History – Birth of Unicode V 1.0 1989 Meetings joined by Sun, then Adobe, Claris, HP, NeXT and Pacific Rim Connections (later morphed into Unicode Technical Committee) Decision to incorporate all composite characters in existing ISO registered standards and to guarantee round trip conversion to existing standards. Decision to use logical ordering for bidirectional (Middle Eastern) and Indic text. ANSI proposes a compromised Han Unification and use of C0, C1 to ISO. Apple, Claris, Metaphor, NeXT, and Sun participate on behalf of Unicode. As a result of this compromise, the Unicode working group decides to use existing ISO orderings for script subsets, and use the ISO naming schemes. Unicode is presented to Microsoft , IBM, Unix, ISO SC2, WG2 1990 Microsoft shows interest in Unicode, also Apple Japan, Microsoft KK, IBM becomes active First implementation of a WYSIWYG prototype for demonstration Final review draft of Unicode is distributed internationally Decision to use logical ordering for all South Asian scripts, add length marks

History – Birth of Unicode V 1.0 1991 Creation of the Unicode Technical Committee (UTC) first articles about Unicode appears in the New York Times Novell joins first unofficial 2-day Unicode Workshop a success first Unicode book appears finally 1992 The Unicode Standard Version 1.0, Volume 2 is printed. Article "Kiss your ASCII Goodbye" appears in PC Magazine.

Die Organisation Unicode durch zentrales Konsortium geregelt Non-Profit Organisation Zusammenarbeit mit W3C und ISO Zuständig für Zeichensatz ISO/IEC 10646 Ziel: Entwicklung und Erweiterung Mitglieder aus allen Global Playern der IT-Wirtschaft (IBM, Microsoft, Apple, Cisco, Oracle, …) Zu finden unter: www.unicode.org Non Profit Organisation zur des UNICODE Standards => Ziel: Entwicklung und Weiterentwicklung: Internationalisierung, Erweiterung auf Sprachen, IMMER im Bezug auf den mittlerweile bestehenden UNICODE Standard

Die Organisation Ursprüngliche Vorstandsmitglieder von Unicode Inc: Larry Tesler, Vice President Advanced Products,   Apple Computer, Inc. Robert Carr, Vice President Software Development, GO Corporation Richard Holleman, Director of Telecommunications, IBM Corporation Charles Irby, Vice President of Development,  Metaphor Computer Systems Paul Maritz, Vice President Advanced Operating Systems,  Microsoft Corporation Bud Tribble, Vice President Software Engineering, NeXT Computer Inc. Jay Israel, Vice President Advanced Technology, Novell, Inc. David Richards, Director of Development, The Research Libraries Group. John Gage, Vice President Desktop Development, Sun Microsystems Inc. Geschäftsführer bzw. Gründungsmiglieder: Mark Davis, President Mike Kernaghan, Vice-President Joe Becker, Technical Vice-President Ken Whistler, Secretary Bill English, Treasurer

Anwendungsgebiete (1) Datenbanken Adabas NCR Teradata Caché and Ensemble FrontBase IBM Ingres Justsystem Goro Microsoft Access, SQL Server Mimer SQL NCR Teradata Onix Oracle 8 PostgreSQL Progress Software Qwikly Sybase Unisys UREP

Anwendungsgebiete (2) Betriebssysteme Apple Mac OS 9.2, Mac OS X 10.1, Mac OS X Server, ATSUI Compaq's Tru64 UNIX, Open VMS GNU/Linux with glibc 2.2.2 or newer - FAQ support IBM AIX, AS/400, OS/2 Inferno by Vita Nuova Microsoft Windows CE, NT, 2000, XP SCO UnixWare 7.1.0 Sun Solaris Symbian Platform

Anwendungsgebiete (3) Standards Suchmaschinen XML XHTML XSL LDAP CORBA 3.0 WAP (WML) … Suchmaschinen Alta Vista Yahoo Google Fastsearch

Anwendungsgebiete (4) Programmiersprachen, Entwicklungsumgebungen Ada 95 CLISP Common Lisp G2 5.0 Rev. 0 by Gensym Corporation, GAWK 3.0.3 Java JavaScript (ECMAScript) Led C++ class library Microsoft VJ++ Visual Studio 7.0 (forthcoming) Visual Basic Perl Python XML Spy 3.0 from Icon Information-Systems GmbH

Technische Sichtweise UTF (Unicode Transformation Format) Spezifiziert zu jedem Zeichen eine eindeutige Byte Sequenz Verschiedene Standards: UTF 8: Hauptsächlich WEB UTF 16: Hauptsächlich Java und Windows UTF 32: Hauptsächlich UNIX UTF 7: E-Mail – ohne MIME (Vollständigkeitshalber) UTF-EBCDIC: Mainframe (Vollständigkeitshalber) Konvertierungen zwischen UTF 8 / 16 / 32: Verlustfrei Schnell Algorithmische Konvertierung

Technische Sichtweise UTF-8 ASCII compatible characters in the range U+0000→U+007F can be encoded as a single byte. Ken Thompson had turned AT&T Bell Lab’s Plan 9 into the world’s first operating system to use UTF-8 Default encoding for xml

Technische Sichtweise UTF 8 / 16 / 32 (1) Größe 8 bit 16 bit 32 bit min. Bytes/Zeichen 1 2 3 max. Bytes/Zeichen 4 Ad min Bytes/Zeichen: die meisten Zeichen sind nur 1Byte groß – selbst in Ost-Asiatischen Sprachen Es gibt Regeln, wie UTF32 -> 16 -> 8 oder UTF 8 -> 16 -> 32 zusammengesetzt werden dürfen Anmerkung stefan: ist utf-32 nicht 32bit (4 byte) fixed width??? (zumindest wikiepdia sagt, es wär so) Außerdem sind die bsp. imho verwirrend, ich kenn mich da selber nicht ganz aus Bsp 1: 1 UTF16 Zeichen kann als 2 UTF8 dargestellt werden Bsp 2: 1 UTF32  2 UTF16  4 UTF8 Zeichen

UTF 8  UTF 16  UTF 32 Beispiel für Zeichen in den jeweiligen Kodierungen: Zeichen UTF 8 UTF 16 UTF 32 „e“ U+65 U+0065 U+0000 0065 „$“ U+24 U+0024 U+0000 0024 Hah (Arabic) U+DA 85 U+0685 U+0000 0685 yi (Xip) U+EA 91 A0 U+A460 U+0000 A460

Technische Sichtweise UTF 8 / 16 / 32 (2) Besonderheiten / Unterschiede UTF 16 und UTF32: UTF16/32 BE: Big Endian: MSB (most significant bit first) UTF16/32 LE: Little Endian: LSB (least significant bit first) UTF16/32: std: MSB, oder BOM (byte order mark) Bytes Encoding FF FE 00 00 UTF32 LE 00 00 FE FF UTF32 BE FF FE UTF16 LE FE FF UTF16 BE Big Endian = Mainframe Little Endian = heutige PCs (x86)

Technische Sichtweise Schriften Unicode definiert nicht Sprachen – sondern Schriften Grund: Viele Sprachen haben gleiche Zeichen – diese können vereinheitlicht werden In der Letzten Version 4.1.0 werden folgende Schriften unterstützt:

Character Sets Schriften

Character Sets Sonderzeichen

Character Sets – Ranges (1) U+0000* – U+007F* Controls and Basic Latin (~ASCII): U+0080* – U+00FF* Controls and Latin-1 * Utf16 Ad 1) „Normale“ Zeichen – analog zu ASCII Ad 2) Wichtig, da hier Umlaute, etc definiert sind

Character Sets – Ranges (2) U+0600* – U+06FF* Arabic U+0685* Hah U+06B4* Gaf U+069C* Seen Ausrichtung: Right to Left * Utf16 Ad 2) Wichtig, da hier Umlaute, etc definiert sind

Character Sets – Ranges (3) U+0F00* – U+0FFF* Tibetan U+0F47* Ja U+0F5C* Dzha U+0F43* Gha Ausrichtung: Left to Right * Utf16

Fonts Grundsätzlich: Font bildet eine Byte Sequence auf ein Bildzeichen ab Unicode Font: Byte Sequenzen des jeweiligen Unicode Typs sind als Abbildungen auf Bildzeichen verfügbar Bsp: Arial Unicode MS: ab MS Office 2002 inkludiert, 38.917 Zeichen, 50377 Bildzeichen

Fonts in Java Unicode Fonts in Java: Kopieren der font-files in das Java-Font Verzeichnis: jre/lib/fonts font.properties Datei anpassen bzw. neu erstellen (wenn ein mapping zwischen logischen und physischem Font oder eine Lokalisierung benötigt wird) zB: font.properties.ko (für koreanisch) zB: serif.0=Arial,ANSI_CHARSET (für Mapping auf Arial) zB: serif.1=WingDings,SYMBOL_CHARSET,NEED_CONVERTED fontcharset.serif.1=sun.awt.windows.CharToByteWingDings Javacode Example: new Font(„serif", Font.PLAIN, 12) Ad 1) unter Windows wird auch as std. Windows Font-Verzeichnis von Java gefunden

Eingabemethoden Eingabe chinesischer Zeichen Grundsätzlich über jede Tastatur möglich Aufgrund der vielen Zeichen: Tastenkombinationen die meistgebrauchten Zeichen = 1 Taste Alle weiteren Zeichen = Tastenkombination (<1%)

Kodierungskriterien Stetigkeit von kodierten Zeichen: Vor Normierung äußerst sorgfältige Prüfungen Einmal kodierte Zeichen dürfen nicht mehr entfernt werden Somit Gewährleistung der Langlebigkeit digitaler Daten BMB (Basic Multilingual Plane) vs. Astral Plane Ad 1) z.b. stellt sich die frage, ob elfisch oder klingonisch aufgenommen werden soll

Kodierungskriterien Unicode kodiert abstrakten Zeichen (Idee eines Buchstaben) – keine Glyphen (konkrete grafische Darstellung) Ermöglichung von Glyphenvarianten: 256 Variation Selectors werden ggf. dem Code nachgestellt

Unicode in HTML Definition von Encoding in HTML durch Meta-Angabe: <meta http-equiv="content-type" content="text/html; charset=UTF-8"> Allerdings: Auto-Detection durch Browser (Byte Order Mark), sollte zumindest bis zur Meta-Angabe möglich sein Ad Auto-Detection: kann schiefgehen, dann gibt’s Fragezeichen oder ähnliches

Unicode in XML XML: <?xml version="1.0" encoding="UTF-8"?> Default-Encoding: Unicode über Byte Order Mark Wenn kein BOM, dann UTF-8 XML-Prozessoren müssen UTF-8 und UTF-16 unterstützen Allerdings: Auto-Detection durch Browser (Byte Order Mark), sollte zumindest bis zur Meta-Angabe möglich sein (gleich wie html) BOM ist weder Markup noch Character Data, sondern „encoding signature“

Unicode in HTML/XML Numerische Character Referenz: Dezimal:   Hexadezimal:   Dokument muss nicht in einem Unicode-Format gespeichert werden, kann aber trotzdem numerische Referenzen auf Codepoints enthalten!

Unicode und XML Text: Serie von Characters (Daten und Markup) Character: Atomare Texteinheit Erlaubte Character Range: #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF] (ohne surrogate blocks, FFFE und FFFF) surrogate blocks: umschalten zwischen Basic Multilingual Plane und Astral Plane

Unicode und XML Aber: Namen sind Subsets von Markup und Text NameChar   ::=   Letter | Digit | '.' | '-' | '_' | ':' | CombiningChar | Extender Name   ::=   (Letter | '_' | ':') (Namechar)* Wobei: Letters nicht nur A-Z!

Unicode in XML Manche Characters nicht für XML geeignet Im Unicode Standard veraltet Problematisch ohne zusätzliche Daten Funktionalität durch Markup sinnvoller Kollidieren mit Markup

Unicode in XML Beispiele Problem: Überlagerung von Control Codes und XML-Markup z.B.: Line and paragraph separator Codepoint: U+2028 .. U+2029 Lösung: <xhtml:br />, <xhtml:p></xhtml:p> oder entsprechende Weiters: Widersprüche zwischen Control Codes und Markup möglich. Frage nach Priorität z.B.: Sprachidentifikation Codepoint: U+E0000 .. U+E007F Lösung: xhtml:lang oder xml:lang Ad 1: selbe funktionalität Ad 2: widersprüche + Transportfunktion (vor allem im Bezug auf XML-) Darstellung ???

Links and Ressources Unicode Organisation Homepage: http://www.unicode.org Unicode General Information: http://de.wikipedia.org/wiki/Unicode Unicode Characters: http://www.decodeunicode.org/ Filecodierungsinformationen: http://www.fileformat.info/info/unicode/char/search.htm XML 1.0 (3rd Ed) W3C Recommendation http://www.w3.org/TR/REC-xml/

Fragen zu Unicode bitte jetzt stellen Questions & Answers Fragen zu Unicode bitte jetzt stellen