1 / 39

UNICODE

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. Problem: andere Länder – andere Schriften…

tania
Download Presentation

UNICODE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. UNICODE Semistrukturierte Daten 1 Gruppe 8

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

  3. 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 Motivation

  4. 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

  5. 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 Was ist Unicode

  6. 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

  7. 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

  8. 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. History – Birth of Unicode V 1.0

  9. 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 Die Organisation

  10. 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 Die Organisation

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

  12. 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 (2)

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

  14. 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

  15. 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

  16. 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 SichtweiseUTF-8

  17. Technische SichtweiseUTF 8 / 16 / 32 (1) • Bsp 1: 1 UTF16 Zeichen kann als 2 UTF8 dargestellt werden • Bsp 2: 1 UTF32  2 UTF16  4 UTF8 Zeichen

  18. UTF 8  UTF 16  UTF 32 Beispiel für Zeichen in den jeweiligen Kodierungen:

  19. 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) Technische SichtweiseUTF 8 / 16 / 32 (2)

  20. 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: Technische SichtweiseSchriften

  21. Character SetsSchriften

  22. Character SetsSonderzeichen

  23. Character Sets – Ranges (1) • U+0000* – U+007F* Controls and Basic Latin (~ASCII): • U+0080* – U+00FF* Controls and Latin-1 * Utf16

  24. Character Sets – Ranges (2) U+0600* – U+06FF* Arabic U+0685* Hah U+06B4* Gaf U+069C* Seen Ausrichtung: Right to Left * Utf16

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

  26. 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

  27. 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) Fontsin Java

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

  29. 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 Kodierungskriterien

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

  31. 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

  32. 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

  33. Unicode in HTML/XML Numerische Character Referenz: • Dezimal: &#160; • Hexadezimal: &#x00A0; Dokument muss nicht in einem Unicode-Format gespeichert werden, kann aber trotzdem numerische Referenzen auf Codepoints enthalten!

  34. 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)

  35. 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!

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

  37. Beispiele Problem: Überlagerung von Control Codes und XML-Markupz.B.: Line and paragraph separator Codepoint: U+2028 .. U+2029Lösung: <xhtml:br />, <xhtml:p></xhtml:p> oder entsprechende Weiters: Widersprüche zwischen Control Codes und Markup möglich. Frage nach Prioritätz.B.: Sprachidentifikation Codepoint: U+E0000 .. U+E007F Lösung: xhtml:lang oder xml:lang Unicode in XML

  38. 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/ Links and Ressources

  39. Fragen zu Unicode bitte jetzt stellen Questions & Answers

More Related