Codepunkte

Codepunkte sind die numerischen Repräsentationen einzelner Zeichen im Unicode-Zeichensatz. Sie dienen als abstrakte Identifikatoren, unabhängig von der konkreten Speicherung oder Darstellung. Ein Codepunkt wird üblicherweise in der Form U+hhhh geschrieben, wobei hhhh eine hexadezimale Zahl ist. Mehrere Codepunkte können zusammen ein visuell zusammengesetztes Zeichen bilden, etwa bei Akzentkombinationen oder Emoji-Sequenzen.

Der gültige Bereich reicht von U+0000 bis U+10FFFF. Teile dieses Bereichs sind reserviert oder unzugewiesen. Die Unterbereiche U+D800 bis U+DFFF dienen als Surrogate und werden ausschließlich zum Encoding in UTF-16 verwendet; sie dürfen nicht als eigenständige Zeichen auftreten. Nichtzugewiesene oder nicht-zugeordnete Codepunkte umfassen außerdem U+D000 bis U+DFFF in manchen Kontexten und alle Codepunkte, die mit FFFE oder FFFF enden; diese gelten als Nicht-Charaktere oder Reserved.

Zur Speicherung von Codepunkten werden Encodings verwendet, insbesondere UTF-8, UTF-16 und UTF-32. Diese Codierungen unterscheiden sich in der Byte-Darstellung, nicht im zugrundeliegenden Codepunkt. In der Praxis bedeutet dies, dass ein Codepunkt je nach Encoding eine unterschiedliche Anzahl von Bytes benötigt.

Codepunkte lassen sich in Programmiersprachen oft durch Escape-Sequenzen darstellen, z. B. U+0041 für das Zeichen A oder \u0041 bzw. \U00000041 in vielen Sprachen. In HTML/XML können Zeichen auch über numerische Referenzen codiert werden, etwa 😀 für das Grinsee-Face.

Für Textverarbeitung und Verarbeitungssysteme sind Codepunkte grundlegend: sie ermöglichen Identifikation, Sortierung, Normalisierung (NFC/NFD) und korrektes Rendering über verschiedene Schriftarten hinweg.