UNICODE Semistrukturierte Daten 1 Gruppe 8 1

UNICODE Semistrukturierte Daten 1 Gruppe 8 1

Inhalt • • Motivation History – Birth of Unicode Die Organisation Anwendungsgebiete Technische Sichtweise / Charactersets Fonts / Kodierungskriterien Unicode in HTML / XML Links & Resources / Q & A 2

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 3

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 4

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 5

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, fixedwidth 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 6

History – Birth of Unicode V 1. 0 1989 • Meetings joined by Sun, then Adobe, Claris, HP, Ne. XT 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 C 0, C 1 to ISO. Apple, Claris, Metaphor, Ne. XT, 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 SC 2, WG 2 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 7

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. 8

Die Organisation • • • Unicode durch zentrales Konsortium geregelt Non-Profit Organisation Zusammenarbeit mit W 3 C 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 9

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, Ne. XT 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 10

Anwendungsgebiete (1) Datenbanken • • • Adabas Caché and Ensemble Front. Base IBM Ingres Justsystem Goro Microsoft Access, SQL Server Mimer SQL • NCR Teradata • Onix • Oracle 8 • Postgre. SQL • Progress Software • Qwikly • Sybase • Unisys UREP 11

Anwendungsgebiete (2) Betriebssysteme • Apple Mac OS 9. 2, Mac OS X 10. 1, Mac OS X Server, ATSUI • Compaq's Tru 64 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 Unix. Ware 7. 1. 0 • Sun Solaris • Symbian Platform 12

Anwendungsgebiete (3) Standards • • XML XHTML XSL LDAP CORBA 3. 0 WAP (WML) … Suchmaschinen • • Alta Vista Yahoo Google Fastsearch 13

Anwendungsgebiete (4) Programmiersprachen, Entwicklungsumgebungen Ada 95 CLISP Common Lisp G 2 5. 0 Rev. 0 by Gensym Corporation, GAWK 3. 0. 3 Java. Script (ECMAScript) Led C++ class library Microsoft VJ++ Visual Studio 7. 0 (forthcoming) Visual Basic Perl Python XML Spy 3. 0 from Icon Information-Systems Gmb. H 14

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 15

Technische Sichtweise UTF-8 • ASCII compatible – characters in the range U+0000→U+007 F 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 16

Technische Sichtweise UTF 8 / 16 / 32 (1) UTF 8 8 bit UTF 16 16 bit UTF 32 32 bit min. Bytes/Zeichen 1 2 3 max. Bytes/Zeichen 4 4 4 Größe èBsp 1: 1 UTF 16 Zeichen kann als 2 UTF 8 dargestellt werden èBsp 2: 1 UTF 32 2 UTF 16 4 UTF 8 Zeichen 17

UTF 8 UTF 16 UTF 32 Beispiel für Zeichen in den jeweiligen Kodierungen: Zeichen „e“ „$“ Hah (Arabic) yi (Xip) UTF 8 U+65 UTF 16 U+0065 UTF 32 U+0000 0065 U+24 U+0000 0024 U+DA 85 U+0685 U+0000 0685 U+EA 91 A 0 U+A 460 U+0000 A 460 18

Technische Sichtweise UTF 8 / 16 / 32 (2) Besonderheiten / Unterschiede UTF 16 und UTF 32: • UTF 16/32 BE: Big Endian: MSB (most significant bit first) • UTF 16/32 LE: Little Endian: LSB (least significant bit first) • UTF 16/32: std: MSB, oder BOM (byte order mark) Bytes FF FE 00 00 FE FF FF FE FE FF Encoding UTF 32 LE UTF 32 BE UTF 16 LE UTF 16 BE 19

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: 20

Character Sets Schriften 21

Character Sets Sonderzeichen 22

Character Sets – Ranges (1) • U+0000* – U+007 F* Controls and Basic Latin (~ASCII): • U+0080* – U+00 FF* Controls and Latin-1 * Utf 16 23

Character Sets – Ranges (2) U+0600* – U+06 FF* Arabic U+0685* Hah U+06 B 4* Gaf Ausrichtung: Right to Left U+069 C* Seen * Utf 16 24

Character Sets – Ranges (3) U+0 F 00* – U+0 FFF* Tibetan U+0 F 47* Ja U+0 F 5 C* Dzha Ausrichtung: Left to Right U+0 F 43* Gha * Utf 16 25

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 26

Fonts in Java Unicode Fonts in Java: 1. Kopieren der font-files in das Java-Font Verzeichnis: jre/lib/fonts 2. font. properties Datei anpassen bzw. neu erstellen (wenn ein mapping zwischen logischen und physischem Font oder eine Lokalisierung benötigt wird) z. B: font. properties. ko (für koreanisch) z. B: serif. 0=Arial, ANSI_CHARSET (für Mapping auf Arial) z. B: serif. 1=Wing. Dings, SYMBOL_CHARSET, NEED_CONVERTED fontcharset. serif. 1=sun. awt. windows. Char. To. Byte. Wing. Dings 3. Javacode Example: new Font(„serif", Font. PLAIN, 12) 27

Eingabemethoden • Eingabe chinesischer Zeichen – Grundsätzlich über jede Tastatur möglich – Aufgrund der vielen Zeichen: Tastenkombinationen • die meistgebrauchten Zeichen = 1 Taste • Alle weiteren Zeichen = Tastenkombination (<1%) 28

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 29

Kodierungskriterien Unicode kodiert abstrakten Zeichen (Idee eines Buchstaben) – keine Glyphen (konkrete grafische Darstellung) Ermöglichung von Glyphenvarianten: • 256 Variation Selectors • werden ggf. dem Code nachgestellt 30

" src="https://present5.com/presentation/61f2887366cd9168309245202d3f2948/image-31.jpg" alt="Unicode in HTML Definition von Encoding in HTML durch Meta-Angabe: " /> Unicode in HTML Definition von Encoding in HTML durch Meta-Angabe: Allerdings: Auto-Detection durch Browser (Byte Order Mark), sollte zumindest bis zur Meta-Angabe möglich sein 31

• Default-Encoding: Unicode" src="https://present5.com/presentation/61f2887366cd9168309245202d3f2948/image-32.jpg" alt="Unicode in XML • XML: • Default-Encoding: Unicode" /> Unicode in XML • XML: • Default-Encoding: Unicode über Byte Order Mark • Wenn kein BOM, dann UTF-8 • XML-Prozessoren müssen UTF-8 und UTF 16 unterstützen 32

Unicode in HTML/XML Numerische Character Referenz: • Dezimal:   • Hexadezimal: &#x 00 A 0; Dokument muss nicht in einem Unicode. Format gespeichert werden, kann aber trotzdem numerische Referenzen auf Codepoints enthalten! 33

Unicode und XML • Text: Serie von Characters (Daten und Markup) • Character: Atomare Texteinheit • Erlaubte Character Range: #x 9 | #x. A | #x. D | [#x 20 -#x. D 7 FF] | [#x. E 000#x. FFFD] | [#x 10000 -#x 10 FFFF] (ohne surrogate blocks, FFFE und FFFF) 34

Unicode und XML Aber: Namen sind Subsets von Markup und Text Name. Char : : = Letter | Digit | '. ' | '-' | '_' | ': ' | Combining. Char | Extender Name : : = (Letter | '_' | ': ') (Namechar)* Wobei: Letters nicht nur A-Z! 35

Unicode in XML Manche Characters nicht für XML geeignet • Im Unicode Standard veraltet • Problematisch ohne zusätzliche Daten • Funktionalität durch Markup sinnvoller • Kollidieren mit Markup 36

Unicode in XML Beispiele • Problem: Überlagerung von Control Codes und XMLMarkup z. B. : Line and paragraph separator Codepoint: U+2028. . U+2029 Lösung: , oder entsprechende • Weiters: Widersprüche zwischen Control Codes und Markup möglich. Frage nach Priorität z. B. : Sprachidentifikation Codepoint: U+E 0000. . U+E 007 F Lösung: xhtml: lang oder xml: lang 37

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/unicode/char/search. htm • XML 1. 0 (3 rd Ed) W 3 C Recommendation – http: //www. w 3. org/TR/REC-xml/ 38

Questions & Answers Fragen zu Unicode bitte jetzt stellen 39