{"canonical_url":"https://engineer.company/de/glossary/unicode/","content_markdown":"# Unicode\n\n## Was es ist\n\nUnicode ist der Standard, der jedem Buchstaben, jeder Ziffer, jedem Satzzeichen und\njedem Symbol der Schriftsysteme der Welt eine eigene Nummer gibt. Seine Betreuer\nbezeichnen ihn als universelle Zeichenkodierung: entworfen, damit Texte in den\nSprachen und technischen Fachgebieten der modernen Welt überall ausgetauscht,\nverarbeitet und angezeigt werden können, und zugleich fähig, ältere Schriftsysteme\nund historische Schriftzeugnisse darzustellen. Ein einziges Repertoire enthält das dänische\nå, das ukrainische Ґ, das Eurozeichen und Buchstaben von Schriften, in denen seit\nJahrhunderten niemand mehr schreibt. So kann ein einzelnes Dokument oder eine\neinzelne Datenbankspalte sie alle enthalten.\n\nGenau genommen umfasst eine Unicode-Version mehrere aufeinander abgestimmte Teile:\ndie Kernspezifikation, Zeichentabellen, Anhänge und eine Zeichendatenbank aus\nmaschinenlesbaren Dateien mit den Eigenschaften jedes Zeichens. Das Unicode Technical\nCommittee pflegt den Standard fortlaufend, das Unicode Consortium veröffentlicht ihn,\nund Version 18.0 wurde am 16. September 2026 angekündigt.\n\nDie Nummer eines Zeichens ist sein Codepunkt. Der Coderaum reicht von 0 bis\nhexadezimal 10FFFF, insgesamt 1.114.112 Codepunkte. Geschrieben wird ein Codepunkt als\nU+ mit mindestens vier Hexadezimalziffern dahinter: å ist U+00E5, Ґ ist U+0490 und\ndas Eurozeichen U+20AC. Die Stabilitätsrichtlinie des Konsortiums verspricht einem\nkodierten Zeichen einen dauerhaften Platz: Es wird nie verschoben oder entfernt,\nund sein Name ändert sich nie. Heute kodierter Text bedeutet deshalb in jeder\nspäteren Version dasselbe.\n\nZwei Unterscheidungen sind für das Verständnis des Standards entscheidend. Die erste trennt Zeichen\nund Glyphe. Unicode kodiert das Zeichen, den abstrakten Buchstaben, und überlässt\nseine Form der Schriftart: Laut Kernspezifikation sind Glyphenformen Sache der\nSchrifthersteller und kein Bestandteil des Standards. Derselbe Codepunkt kann in\nzwei Schriftarten unterschiedlich aussehen; eine Schriftart ohne passende Form kann\nihn überhaupt nicht zeichnen. Die zweite Unterscheidung trennt den Codepunkt von den\nBytes, die ihn speichern. Die drei Unicode-Kodierungsformen UTF-8, UTF-16 und UTF-32\nschreiben jeden Codepunkt als eine oder mehrere Einheiten von 8, 16 oder 32 Bit.\nDie Spezifikation bezeichnet den Versuch, „UTF-8 gegenüber Unicode“ abzugrenzen, als\nFalle: Alle drei sind gleichwertige Möglichkeiten, dieselben Zeichen zu implementieren.\n\n## Warum es wichtig ist\n\nVor Unicode hatte jede Schrift eigene Codeseiten, und ein Byte bedeutete nichts,\nsolange die verwendete Seite unbekannt war. In der westeuropäischen Codeseite\nwindows-1252 steht das Byte E5 für å, in der kyrillischen windows-1251 steht dasselbe\nByte für den Buchstaben е. Keine Seite konnte die Buchstaben der anderen aufnehmen:\nwindows-1251 hat Ґ und kein å, æ oder ø, windows-1252 umgekehrt. Ein Produkt auf\nDänisch und Ukrainisch brauchte zwei Kodierungen und eine verlässliche Zuordnung des\nTextes zur jeweiligen Kodierung. Ein Satz mit Zitaten in beiden Sprachen passte in\nkeine von beiden.\n\nUnicode beseitigte diese Buchführung. Jede Sprache, in der ein Produkt veröffentlicht\nwird, und jeder Name, den ein Kunde in ein Formular eingibt, passen in einen\nZeichensatz. Dieselbe Nummer bedeutet auf jedem lesenden System dasselbe Zeichen.\nDadurch können Datenbank, API und Browser Text austauschen, ohne sich zuerst auf eine\nCodeseite zu einigen.\n\nDer Standard klärt auch Fragen, die sonst jedes Programm auf seine Weise lösen\nwürde. Er vereinheitlicht Zeichen über Sprachen hinweg: Das Komma ist ein Zeichen,\nob es wie im Englischen Tausendergruppen trennt oder wie im Französischen als\nDezimalzeichen dient.\nDie Bedeutung kommt also von der Locale, nicht vom Codepunkt. Über Schriftgrenzen\nhinweg vereinheitlicht er nicht: Das lateinische o, das kyrillische о und das\ngriechische ο sehen in den meisten Schriftarten gleich aus und sind drei Zeichen,\nweil sie zu drei Schriften gehören und ältere Kodierungen sie bereits getrennt\nhielten. Außerdem hält er fest, welche Folgen äquivalent sind. Å kann als ein\nvorkomponiertes Zeichen gespeichert werden oder als A mit einem folgenden\nkombinierenden Ring. Der Standard definiert beide als kanonisch äquivalent, gleich\nanzuzeigen und zu interpretieren. Normalisierungsformen überführen beide in eine\nvereinbarte Schreibweise.\n\nDiese Allgemeinheit hat ihren Preis, und ihn zahlt die programmierende Person. Ein\nZeichen ist kein Byte, nicht immer eine Einheit eines Strings und nicht immer das,\nwas Leser als einen Buchstaben zählen. Code, der diese drei Dinge gleichsetzt,\nbesteht Tests mit englischen Daten und scheitert an Namen, Adressen und Nachrichten\nder Menschen, für die er geschrieben wurde.\n\n## Wie es in der Praxis aussieht\n\nJavaScript macht die Schichten sichtbar. Ein String ist eine Folge von\nUTF-16-Codeeinheiten; das Aufteilen in ein Array mit dem Spread-Operator zerlegt ihn\nin Codepunkte:\n\n```js\nconst hex = (n) =\u003e n.toString(16).toUpperCase().padStart(4, \"0\");\nfor (const text of [\"a\", \"å\", \"Ґ\", \"€\", \"𐌂\"]) {\n  const points = [...text].map((c) =\u003e \"U+\" + hex(c.codePointAt(0)));\n  console.log(text, points.join(\" \"), text.length, [...text].length);\n}\n```\n\nIn Node.js 25 ausgeführt, gibt das Programm jedes Zeichen, seinen Codepunkt, seine\nLänge in UTF-16-Einheiten und seine Länge in Codepunkten aus:\n\n```text\na U+0061 1 1\nå U+00E5 1 1\nҐ U+0490 1 1\n€ U+20AC 1 1\n𐌂 U+10302 2 1\n```\n\nDie letzte Zeile zeigt einen altitalischen Buchstaben. Sein Codepunkt liegt jenseits\nvon U+FFFF, weshalb UTF-16 ihn als zwei Einheiten, ein Surrogatpaar, speichert.\n`length` meldet somit 2 für ein einziges Zeichen.\n\nÄquivalenz wird auf dieselbe Weise sichtbar. Diese drei Strings werden alle als Å\nangezeigt:\n\n```js\nconst forms = [\"\\u00C5\", \"A\\u030A\", \"\\u212B\"];\nconsole.log(\"form length equal NFC\");\nfor (const [i, s] of forms.entries()) {\n  console.log(i + 1, s.length, s === forms[0], s.normalize(\"NFC\") === forms[0]);\n}\n```\n\n```text\nform length equal NFC\n1 1 true true\n2 2 false true\n3 1 false true\n```\n\nDer erste ist der vorkomponierte Buchstabe U+00C5. Der zweite ist ein einfaches\nA, gefolgt von U+030A, dem kombinierenden Ring darüber. Der dritte ist U+212B, das\nAngströmzeichen, das die Unicode-Zeichendatenbank auf U+00C5 abbildet. Unverändert\nverglichen sind es drei verschiedene Strings; nach der Normalisierung nach NFC sind\nalle drei derselbe. Auf dem Bildschirm unterscheidet sie nichts. Eine Suche, ein\neindeutiger Index oder eine Anmeldung, die rohe Strings vergleicht, sieht deshalb\ndrei verschiedene Namen.\n\nDiese Website hängt an einer weniger sichtbaren Stelle von Codepunkten ab. Die Notiz\nüber [die Unterstreichung, die jeden Buchstaben durchzog](/de/notes/safari-underline-font-subset/)\nbeschreibt die lateinischen und kyrillischen Ubuntu-Schriften für den Fließtext als\nsechs Schnitte, drei Strichstärken für Lateinisch und drei für Kyrillisch. So wird\neine ukrainische Seite in derselben Schriftart gesetzt wie eine englische. Jeder\nSchnitt deklariert seinen Zeichenbereich. Diese Bereiche steuern die Schriftauswahl\nfür die Zeichen auf der Seite; ein ausdrücklicher Preload kann außerdem eine Datei\nanfordern, bevor die normale Schriftermittlung beginnt. Die kyrillische Deklaration\ngibt ihren Bereich in Codepunkten an:\n\n```text\nunicode-range: U+0400-045F, U+0490-0491;\n```\n\nDer erste Bereich reicht von Ѐ bis џ und enthält neben dem übrigen kyrillischen\nGrundalphabet das ukrainische Є, І und Ї. Der zweite enthält nur Ґ und ґ, die weiter\nhinten im kyrillischen Block stehen. Die Bereiche deklarieren, welcher Schriftschnitt\nfür ein Zeichen infrage kommt; die Schriftdatei muss aber auch dessen Glyphe\nenthalten. Sie garantieren nicht, dass eine Seite nur Dateien eines einzigen Schriftsystems\nlädt. Englische und dänische Texte verwenden die lateinischen Schnitte, doch die\nukrainische Sprachbezeichnung kann einen kyrillischen Schnitt benötigen. Die Website\nlädt den leichten kyrillischen Fließtextschnitt auf nichtkyrillischen Seiten für die\nBildschirmausgabe ausdrücklich vor.\n\n## Wo es schiefgeht\n\n**Die Länge wird in Codeeinheiten gezählt.** JavaScripts `length` zählt\nUTF-16-Einheiten. Deshalb zählt 𐌂 als zwei und ein A mit kombinierendem Ring ebenfalls\nals zwei, obwohl ein Leser einen Buchstaben sieht. Eine Grenze in Einheiten weist\nText zurück, der eigentlich hineinpasst. Ein Schnitt an einer festen Position kann\nein Zeichen zerlegen: `\"A\\u030A\".slice(0, 1)` behält das A und entfernt den Ring.\nWird 𐌂 halbiert, bleibt ein einzelnes Surrogat zurück, das der UTF-8-Kodierer durch\nU+FFFD, das Ersatzzeichen, ersetzt. Für jede Grenze muss feststehen, was sie zählt:\nBytes, wenn der Speicher die Grenze setzt, und Zeichen aus Lesersicht, wenn ein\nMensch sie setzt. `Intl.Segmenter` zählt Letztere und liefert für Århus mit\nkombinierendem Ring 5, wo `length` 6 liefert. Text sollte nur an den gemeldeten\nGrenzen abgeschnitten werden.\n\n**Gleicher Text wird Einheit für Einheit verglichen.** Die drei Formen von Å oben\nsind für `===`, einen Hash und einen eindeutigen Index drei verschiedene Strings.\nEin Kunde kann deshalb denselben Namen zweimal registrieren oder ein Dokument nicht\nüber den eingegebenen Titel finden. Text sollte beim Eintritt ins System nach NFC\nnormalisiert, normalisiert gespeichert und in normalisierter Form verglichen werden.\nDie Stabilitätsrichtlinie garantiert, dass ein unter einer Version normalisierter\nString auch unter jeder späteren normalisiert bleibt, sofern er nur Zeichen enthält,\ndie die ursprüngliche Version kennt. Der normalisierende Code muss also so aktuell sein wie der\nText.\n\n**Ähnlich aussehende Zeichen gelten als gleich.** Das lateinische o, das kyrillische\nо und das griechische ο sind verschiedene Codepunkte, die die meisten Schriftarten\ngleich zeichnen. Zwei Kontonamen oder Produktcodes können daher identisch aussehen\nund sich in einem Zeichen unterscheiden. Unicode hält sie absichtlich getrennt;\nsein Standard für Sicherheitsmechanismen UTS #39 beschreibt, wie sich solche\nTäuschungen verringern lassen. Wenn ein Name eine Person oder einen Zahlungsempfänger\nidentifiziert, sollte pro Name nur ein Schriftsystem zugelassen oder der Name vor der\nAnnahme gegen die Sicherheitsdaten des Standards geprüft werden.\n\n**Bytes werden mit der falschen Kodierung gelesen.** Als UTF-8 gespeicherter und als\nwindows-1252 gelesener Text macht aus blåbær blÃ¥bÃ¦r, weil jeder Zwei-Byte-Buchstabe\nals zwei Ein-Byte-Zeichen gelesen wird. Das Wort Unicode sagt nicht, wie die Bytes\ngeschrieben wurden; das sagt erst die Kodierungsform. Sie sollte überall deklariert\nwerden, wo Text eine Grenze überschreitet: im HTTP-Header, in der Seite, auf der\nDatenbankverbindung und im Dateiformat. Eine Datei ohne diese Angabe ist eine Frage\nan einen Menschen statt eine Gelegenheit für den Code zu raten.\n\n**Eine fehlende Glyphe wird dem Text angelastet.** Erscheint ein Buchstabe als leeres\nKästchen, fehlt der Schrift meist die Form für diesen Codepunkt; der Text selbst ist\nintakt. Weil Unicode die Formen den Schriftarten überlässt, muss jede Schriftart\neines Produkts alle Zeichen abdecken, die dessen Sprachen brauchen: Є, І, Ї und Ґ\nebenso wie А bis я. Andernfalls zeichnet der Browser sie mit irgendeiner verfügbaren\nErsatzschrift. Die obige Notiz nennt das als Grund, überhaupt Kyrillisch\nauszuliefern: Ohne diese Schnitte fiele eine ukrainische Seite auf das zurück, was\ndas System bietet. Jede Sprache sollte mit ihrem vollständigen Alphabet getestet\nwerden statt mit einem Beispielsatz.\n\n**Namen werden gegen A bis Z geprüft.** Ein Muster wie `^[A-Za-z' -]+$` akzeptiert\nO'Neill und weist Søren Ågård, Zoë und Ґалаґан zurück, genau die Namen, für die ein\ndänisches oder ukrainisches Produkt da ist. Stattdessen sollte anhand der\nUnicode-Eigenschaften auf Buchstaben geprüft werden: In JavaScript akzeptiert\n`/^[\\p{L}\\p{M}' -]+$/u` alle vier. Diese Eigenschaften stammen aus der Kopie der\nUnicode-Zeichendatenbank in der Laufzeitumgebung. Die hier für die Beispiele\nverwendete Node.js-25.2.1-Laufzeit meldet zum Beispiel Unicode 16.0. Das gilt für\ndiesen konkreten Build, nicht garantiert für jede Version von 25.x. In späteren\nUnicode-Versionen hinzugefügte Buchstaben bestehen die Prüfung erst, wenn die\nZeichendaten der Laufzeitumgebung aktualisiert wurden. Namen sollten großzügig\nvalidiert und schwierige Fälle von einem Menschen statt von einem Muster entschieden\nwerden.\n\n## Weiterführende Lektüre\n\n- [About the Unicode Standard](https://www.unicode.org/standard/standard.html)\n  — die Beschreibung des Konsortiums selbst: der Standard, die Bestandteile einer\n  Version und der Veröffentlichungsort der neuesten Version.\n- [The Unicode Standard, Chapter 2: General Structure](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-2/)\n  — die zehn Entwurfsprinzipien, der Coderaum, die drei Kodierungsformen und die Regeln\n  für äquivalente Folgen.\n- [Unicode Character Encoding Stability Policies](https://www.unicode.org/policies/stability_policy.html)\n  — was sich nach der Kodierung eines Zeichens nie mehr ändern darf, von Codepunkt und\n  Namen bis zur Normalisierung.\n- [Unicode 18.0.0](https://www.unicode.org/versions/Unicode18.0.0/) — die Ergänzungen\n  der aktuellen Version und die gemeinsam versionierten technischen Standards,\n  darunter Sortierung und Sicherheit.\n- [Node.js: process.versions](https://nodejs.org/api/process.html#processversions)\n  — der Bericht über Komponentenversionen der Laufzeitumgebung, mit dem das Beispiel\n  der Unicode-Daten hier an einen Node.js-Build statt an eine ganze Versionsreihe\n  gebunden wird.\n- [CSS Fonts: character ranges](https://www.w3.org/TR/css-fonts-4/#descdef-font-face-unicode-range)\n  — wie deklarierte Zeichenbereiche zusammen mit der tatsächlichen Glyphenabdeckung\n  einer Schriftdatei bestimmen, welche Zeichen ein Schnitt darstellen kann.\n\n\u003chttps://engineer.company/de/glossary/unicode/\u003e\n","date_modified":"2026-11-09T21:50:25Z","description":"Wie Unicode jedem Zeichen eine Nummer gibt, warum ein Buchstabe drei Speicherformen haben kann und welche sechs Fehler Namen, Längen und Vergleiche stören.","formats":{"gemtext":"https://engineer.company/de/glossary/unicode/index.gmi","gopher":"https://engineer.company/de/glossary/unicode/gophermap","html":"https://engineer.company/de/glossary/unicode/","json":"https://engineer.company/de/glossary/unicode/index.json","markdown":"https://engineer.company/de/glossary/unicode/index.md","pdf":"https://engineer.company/de/glossary/unicode/index.pdf"},"kind":"page","language":"de","title":"Was ist Unicode?","url":"https://engineer.company/de/glossary/unicode/","version":1}