UTF-16

UTF-16 ist ein Zeichenkodierungsstandard für Unicode. Es kodiert jeden Unicode-Codepunkt mit entweder einer oder zwei Codeeinheiten. Jede Codeeinheit ist ein 16-Bit-Wert.

Codepunkte, deren Werte kleiner als 216 sind, werden als eine einzelne Codeeinheit kodiert, die numerisch dem Wert des Codepunkts entspricht. Diese Codepunkte umfassen die Basic Multilingual Plane (BMP) und enthalten die gebräuchlichsten Zeichen, einschließlich lateinischer, griechischer, kyrillischer und vieler ostasiatischer Zeichen.

Zum Beispiel wird das lateinische Zeichen "A" dem Codepunkt U+0041 in Unicode zugewiesen, und dies wird in UTF-16 als eine einzelne Codeeinheit 41 dargestellt.

Codepunkte, deren Werte größer als 216 sind, werden mit einem Paar von Codeeinheiten kodiert, welches als Surrogatpaar bezeichnet wird. Die für Surrogatpaare verwendeten Werte werden nicht für Unicode-Codepunkte verwendet, um Mehrdeutigkeiten zu vermeiden.

Zum Beispiel wird das Emoji-Zeichen "🦊" (Fuchs-Gesicht) dem Codepunkt U+1F98A in Unicode zugewiesen, und dies wird in UTF-16 als das Surrogatpaar d83e dd8a dargestellt.

UTF-16 in JavaScript

Zeichenketten in JavaScript werden unter Verwendung von UTF-16 dargestellt, und viele String-APIs arbeiten auf Codeeinheiten, nicht auf Codepunkten. Zum Beispiel gibt String.length 2 für eine Zeichenkette zurück, die ein einzelnes Unicode-Zeichen enthält, welches nicht in der BMP ist:

js
const string = "🦊"; // U+1F98A
console.log(string.length); // 2

Die Methode String.charCodeAt() gibt die Codeeinheit an dem angegebenen Index zurück, und die Methode String.codePointAt() gibt den Codepunkt an dem angegebenen Index zurück:

js
const string = "🦊"; // U+1F98A

console.log(string.charCodeAt(0).toString(16)); // d83e
console.log(string.charCodeAt(1).toString(16)); // dd8a

console.log(string.codePointAt(0).toString(16)); // 1f98a

Siehe UTF-16-Zeichen, Unicode-Codepunkte und Graphem-Cluster, um mehr über die Arbeit mit UTF-16-Zeichenketten in JavaScript zu erfahren.

UTF-16 und UTF-8

UTF-8 ist eine alternative Kodierung für Unicode, die ein bis vier Bytes für jeden Unicode-Codepunkt verwendet. UTF-8 ist eine wesentlich häufigere Kodierung für Dokumente im Web als UTF-16.

UTF-16 und UCS-2

UCS-2 ist eine veraltete Kodierung für Unicode. Sie entspricht UTF-16, unterstützt jedoch keine Surrogatpaare und kann daher keine Codepunkte außerhalb der BMP kodieren.

Siehe auch