{"id":3377,"date":"2011-09-02T06:34:01","date_gmt":"2011-09-02T04:34:01","guid":{"rendered":"https:\/\/www.herr-rau.de\/wordpress\/?p=3377"},"modified":"2023-05-14T07:44:20","modified_gmt":"2023-05-14T05:44:20","slug":"iso-8859-1-utf-8-und-wordpress","status":"publish","type":"post","link":"https:\/\/www.herr-rau.de\/wordpress\/2011\/09\/iso-8859-1-utf-8-und-wordpress.htm","title":{"rendered":"ISO 8859-1, UTF-8 und Wordpress"},"content":{"rendered":"
(7 Kommentare.<\/a>)<\/small> <\/div>\n

(Theoretischen Teil \u00fcberspringen und gleich zur L\u00f6sung der Aufgabe springen, die im Titel angek\u00fcndigt wird. Aber das ist nur f\u00fcr technische Blogbastler interessant.<\/a>)<\/p>\n\n\n\n

Inzwischen ist aus einem kurzen Eintrag ein langer geworden, und er erkl\u00e4rt nicht mehr das, was er am Anfang sollte. Ich sollte ihn wirklich k\u00fcrzen und neu strukturieren. Der Unterschied zwischen Profi und Amateur: ich werd’s einfach nicht tun. Trotzdem, f\u00fcr Informatik – Repr\u00e4sentation von Information – w\u00e4re das schon praktisch.<\/small><\/p>\n\n\n\n

1. Einf\u00fchrung<\/h4>\n\n\n\n

Wenn man am Computer etwas schreibt – im Textverarbeitungsprogramm oder im Blog – ist ein „a“ nie nur ein „a“. Man dr\u00fcckt zwar die entsprechende Taste auf der Tastatur und ein „a“ erscheint. Wenn man das dann speichert, wird ein „a“ gespeichert. Sollte man meinen, aber das ist nicht so. Das hat jeder schon mal gemerkt, dem es die Umlaute beim Speichern verhagelt hat, oder der eine Mail kriegt, in der solche S\u00e4tze auftauchen:<\/p>\n\n\n\n

\n

ich w\ufffdrde es begr\ufffd\ufffden, wenn du mir nicht so etwas schreiben w\ufffdrdest<\/p>\n<\/blockquote>\n\n\n\n

oder in der einem<\/p>\n\n\n\n

\n

Viele Gr\u00c3\u00bc\u00c3\u0178e<\/p>\n<\/blockquote>\n\n\n\n

gew\u00c3\u00bcnscht werden. (Sieht man auch immer wieder mal bei Track- oder Pingbacks in Blogs.)<\/p>\n\n\n\n

Wer ist da schuld, was ist da passiert, wie kann man das vermeiden?<\/p>\n\n\n\n

Einen ausgezeichneten \u00dcberblick zu diesem Thema gibt „The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)“<\/a>. Ich habe mich f\u00fcr diesen Artikel sehr bei ihm bedient – dort steht das alles noch viel ausf\u00fchrlicher und interessanter.<\/p>\n\n\n\n

Hier eine Kurzfassung und ein paar wichtige Begriffe.<\/p>\n\n\n\n

2. ASCII<\/h4>\n\n\n\n

Zeichen werden wie alles im Computer durch Zahlen repr\u00e4sentiert. Ein fr\u00fcher Standard dazu hie\u00df ASCII (Wikipedia<\/a>). Nach diesem Kodierungssystem werden f\u00fcr jedes Zeichen 7 bit reserviert, was einen Vorrat von 128 m\u00f6glichen Zeichen erm\u00f6glicht. Die Zeichen mit den Nummern 0 bis 31 sind Sonderf\u00e4lle, sogenannte nicht druckbare Zeichen, aber von Nummer 32 bis 126 sehen die Zeichen vertraut aus:<\/p>\n\n\n\n

 !\"#$%&'()*+,-.\/0123456789:;<=>?<\/code>   (Nr. 32-63)<\/small>
@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\\]^_<\/code>   (Nr. 64-95)<\/small>
`abcdefghijklmnopqrstuvwxyz{|}~ <\/code>   (Nr. 96-126)<\/small><\/p>\n\n\n\n

Das Zeichen mit der Nummer 32 ist das Leerzeichen, das gro\u00dfe A hat die Nummer 65, die Tilde ist die Nummer 126. (Die Nummer 127, das letzte der 128 ASCII-Zeichen, ist wieder ein Sonderfall.)<\/p>\n\n\n\n

Gespeichert wird ein Wort, zum Beispiel „Abel“, als Folge der ASCII-Zeichen-Nummern: 65-98-101-108.<\/p>\n\n\n\n

Allerdings fehlen bei diesem System europ\u00e4ische Sonderzeichen – Buchstaben mit Umlauten und Akzenten und noch exotischeres Zeug. Zur L\u00f6sung gab es zwei M\u00f6glichkeiten: Entweder man schafft einen eigenen europ\u00e4ischen ASCII-Dialekt, bei dem die Nummer 93 eben nicht f\u00fcr „]“ steht, sondern f\u00fcr „\u00dc“. Dann k\u00f6nnen auch Deutsche wunderbar schreiben, m\u00fcssen daf\u00fcr aber auf eckige Klammern verzichten. Au\u00dferdem m\u00fcssen sich Sender und Empf\u00e4nger von Texten (und jedes Textverarbeitungsprogramm f\u00fcr sich) dar\u00fcber verst\u00e4ndigen, ob ein Dokument oder auch nur ein Wort in amerikanischem oder europ\u00e4ischem ASCII zu lesen sein soll. Sonst liest der Amerikaner versehentlich „]bel“ statt „\u00dcbel“, wenn er eine europ\u00e4ische Datei oder Mail \u00f6ffnet. Gespeichert wird das Wort ja als Folge der ASCII-Nummern der einzelnen Zeichen, also „93-98-101-108“, und ob das jetzt „]bel“ oder „\u00dcbel“ hei\u00dfen soll, das kann der Computer nicht so einfach wissen, wenn man ihm es nicht sagt. Und ein Franzose oder D\u00e4ne braucht wieder einen eigenen ASCII-Dialekt.<\/p>\n\n\n\n

3. ISO 8859-1<\/h4>\n\n\n\n

Die andere L\u00f6sung war die, f\u00fcr jedes Zeichen 8 bit zu reservieren statt 7. Damit hat man immerhin einen Vorrat von 256 Zeichen zur Verf\u00fcgung, muss also nicht zugunsten eines „\u00dc“ auf ein „]“ verzichten und kann beides benutzen. Die ersten 128 Zeichen blieben dabei parallel zu ASCII. Das ist praktisch, weil die in 7-bit-ASCII gespeicherten Dateien dann genauso gut von einem 8-bit-System gelesen werden k\u00f6nnen, ohne dass man irgendetwas umstellen muss.<\/p>\n\n\n\n

Allerdings gibt es auch wieder verschiedene 8-bit-Varianten. MS-DOS hatte sein eigenes System, Windows wieder ein anderes. (Deshalb sehen die Umlaute in unter MS-DOS erzeugten Dateien falsch aus, wenn man die Dateien als \u00fcbliche Windowsdateien betrachtet.)<\/p>\n\n\n\n

Verbreitet ist heute ISO 8859-1 („Latin 1“, Wikipedia<\/a>). Da sind weiterhin f\u00fcr jedes Zeichen 8 bit reserviert; es gibt also 256 Zeichen, die ersten 128 entsprechen dabei ASCII – das ist praktisch. Man wird also weiterhin „65-98-101-108“ als „Abel“ lesen. Zu den anderen Zeichen geh\u00f6ren europ\u00e4ische Umlaute, Zeichen mit Akzent, skandinavischen Zeichen, und andere. Aber auch nicht alle: das Euro-Zeichen geh\u00f6rt nicht dazu. Aber auch da gibt es Aushilfen (etwa ISO 8859-15), so dass ISO 8859-1 ausreicht f\u00fcr (laut Wikipedia):<\/p>\n\n\n\n

\n

Afrikaans, Albanisch, Baskisch, D\u00e4nisch, Deutsch, Englisch, F\u00e4r\u00f6isch, Finnisch, Franz\u00f6sisch, Irisches G\u00e4lisch, Isl\u00e4ndisch, Italienisch, Katalanisch, Niederl\u00e4ndisch, Norwegisch, Portugiesisch, R\u00e4toromanisch, Schottisches G\u00e4lisch, Schwedisch, Spanisch, Swahili und Wallonisch.<\/p>\n<\/blockquote>\n\n\n\n

Kyrillisch geht mit ISO 8859-5, Mitteleurop\u00e4isch (darunter Ungarisch, Tschechisch, Polnisch) mit ISO 8859-2.<\/p>\n\n\n\n

Viele polnische Seiten sind also, vermuten wir erst einmal, in ISO 8859-2 kodiert. Da ist das Zeichen Nummer 163 das hier: „\u0141“. (Wird die gespeicherte Seite als ISO 8859-1 interpretiert, w\u00fcrde an derselben Stelle das Zeichen mit der ISO-Nummer 163 aber so dargestellt werden: „\u00a3“.)
Man kann das schnell mal ausprobieren: in jedem Browser kann man von Hand die Kodierung einstellen, in Firefox unter „Ansicht\/Zeichenkodierung“. Da kann man dieselbe Seite mal so betrachten, als sie in ISO 8859-2 geschrieben, mal als sei sie ISO 8859-1. (Beispiel: polnische Seite in ISO 8859-2 kodiert<\/a>.)<\/p>\n\n\n\n

Exkurs:<\/h4>\n\n\n\n

Aber woher wei\u00df der Browser denn am Anfang, wie er die Seite darstellen soll. Ob der Seitenersteller ein „\u0141“ oder ein „\u00a3“ darstellen will? Die Kurzfassung: im schlimmsten Fall r\u00e4t er, aber normalerweise steht im Kopf einer sauber geschriebenen HTML-Seite, welche Kodierung der Browser zur Darstellung nehmen soll, etwa so:<\/p>\n\n\n\n

<meta http-equiv=\"Content-Type\" content=\"text\/html; charset=ISO-8859-1\"><\/code><\/p>\n\n\n\n

(Bis zu dieser Stelle wei\u00df der Browser aber noch nicht, wie die Seite kodiert ist, muss also stillschweigend davon ausgehen, dass er wenigsten diese Stelle schon mal richtig dekodiert hat. Interessante Frage, das.)<\/p>\n\n\n\n

Quizfrage<\/h5>\n\n\n\n

Wie habe ich es denn geschafft, sowohl das Zeichen „\u0141“ als auch ein „\u00a3“ auf dieselbe Seite zu kriegen? Beide Zeichen sind doch die Nummer 163? Das geht mit reinem ISO 8859-1 tats\u00e4chlich nicht, und mit reinem ISO 8859-2 ebensowenig. Eine L\u00f6sung bietet HTML: da gibt es die M\u00f6glichkeit, Zeichen direkt auszuw\u00e4hlen:<\/p>\n\n\n\n