Code Point
Ein Codepunkt ist der numerische Wert, den der Unicode-Standard jedem Zeichen zuweist (U+0000 bis U+10FFFF), die Positionsnummer des Zeichens im Coderaum.
Zweck
Gibt jedem Zeichen eine eindeutige numerische Kennung, sodass Zeichen unabhängig von der Kodierungsform aufgezählt, nachgeschlagen und referenziert werden können.
Mechanismus
Codepunkte werden als U+ gefolgt von 4-6 Hexadezimalziffern geschrieben. Der Coderaum ist in 17 Ebenen zu je 65 536 Codepunkten unterteilt; Ebene 0 (die BMP) ist am häufigsten genutzt. Nicht jeder Codepunkt ist einem Zeichen zugewiesen (manche sind reserviert oder liegen im Surrogatbereich).
Anwendungsfälle
- Unicode-Zeichensuche und -Dokumentation
- \uXXXX-Escapes in regulären Ausdrücken
- Zeichenklassifikation und Eigenschaftstests
- NFC/NFD-Normalisierung
Beispiele
- Eingabe
AOutputU+0041The code point of uppercase A
Häufige Fehler
- Confusing code points with UTF-8 bytes (U+4E2D is not 0x4E 0x2D)
- A code point must pass through an encoding form to become bytes
Verwandte Begriffe
Unicode
Unicode ist der internationale Zeichenkodierungsstandard, der fast jedem Zeichen der Schriftsysteme der Welt einen eindeutigen Codepunkt (U+0000 bis U+10FFFF) zuweist, mit einem Coderaum von 1.114.112 Punkten. GLOSSAR
UTF-8
UTF-8 ist Unicodes Form mit variabler Länge, die 1 bis 4 Bytes pro Codepunkt verwendet; sie ist vollständig abwärtskompatibel zu ASCII und der De-facto-Standard des Webs und moderner Systeme. GLOSSAR
Surrogate Pair
Ein Surrogatpaar ist der UTF-16-Mechanismus, der einen Codepunkt der ergänzenden Ebene (U+10000 bis U+10FFFF) mit zwei 16-Bit-Codeeinheiten darstellt. GLOSSAR
Charset
Ein Zeichensatz (Charset) ist die Zuordnungstabelle von Zeichen zu Codepunkten; zusammen mit einer Kodierungsform (wie UTF-8) bestimmt er, wie Text zu einem Bytestrom wird. GLOSSAR