Zeichensätzen

Zeichensätze (englisch character sets) sind Sammlungen von Zeichen, die in einem Computersystem verwendet werden können. Ein Zeichensatz beschreibt die verfügbare Zeichenmenge, während eine Zeichencodierung festlegt, wie jedem Zeichen eine Byte- bzw. Bytefolge zugeordnet wird. So ist der Zeichensatz die Welt der Zeichen; die Codierung die Brücke, wie diese Zeichen als Zahlenwerte gespeichert oder übertragen werden.

Historisch gab es verschiedene 7-Bit- und 8-Bit-Encodings. ASCII umfasst 128 Zeichen; ISO/IEC 8859-1 (Latin-1) erweitert 8-Bit-Zeichen. In der Praxis existieren zahlreiche Codepages (Windows-1252, ISO-8859-5 etc.), die jeweils unterschiedliche Zeichen unterstützen und oft regionalspezifisch sind. Für Ostasien gab es weitere Encodings wie Shift_JIS oder GB2312. Diese Encodings waren häufig inkompatibel miteinander, was den Datenaustausch erschwerte.

Unicode wurde entwickelt, um alle Schriftzeichen der Welt abzubilden. Unicode selbst ist eine Zeichentabelle mit Codepunkten (U+0000 bis U+10FFFF). Die gebräuchlichen Encodings zur Speicherung von Unicode-Daten sind UTF-8, UTF-16 und UTF-32. UTF-8 ist variabel in der Länge (1 bis 4 Byte) und kompatibel mit ASCII. UTF-16 verwendet 16-Bit-Schnitte, oft mit Byte-Reihenfolge-Markierung (BOM). UTF-32 benutzt feste 32 Bit.

Bei der Softwareentwicklung ist die Wahl des Zeichensatzes/Encodings entscheidend für Interoperabilität, Speichernutzung und Internationalisierung. Heutzutage ist UTF-8 in Web und vielen Anwendungen der Standard. Probleme wie Mojibake entstehen, wenn Daten in unterschiedlicher Codierung falsch interpretiert werden. Normalisierung von Unicode-Zeichen (z. B. kombiniertes Zeichen) kann erforderlich sein, um Vergleichbarkeit sicherzustellen.

Zusammenfassend bilden Zeichensätze die Zeichenwelt, während Codierungen die Repräsentation in Bytes bestimmen. Die Vereinheitlichung durch Unicode/UTF-8 hat die Kompatibilität deutlich verbessert, obwohl in älteren Systemen noch alte Codepages verwendet werden.