Was ist der Unterschied zwischen UTF-8 und ISO-8859-1?

Question

Was ist der Unterschied zwischen UTF-8 y ISO-8859-1 ?

Answer 1

UTF-8 ist eine Multibyte-Kodierung, die jedes Unicode-Zeichen darstellen kann. ISO 8859-1 ist eine Ein-Byte-Kodierung, mit der die ersten 256 Unicode-Zeichen dargestellt werden können. Beide kodieren ASCII auf genau die gleiche Weise.

Answer 2

Wikipedia erklärt beides recht gut: UTF-8 gegen Latein-1 (ISO-8859-1). Erstere ist eine Kodierung mit variabler Länge, letztere eine Ein-Byte-Kodierung mit fester Länge. Latin-1 kodiert nur die ersten 256 Codepunkte des Unicode-Zeichensatzes, während UTF-8 zur Kodierung aller Codepunkte verwendet werden kann. Auf der Ebene der physikalischen Kodierung werden nur die Codepunkte 0 - 127 identisch kodiert; die Codepunkte 128 - 255 unterscheiden sich dadurch, dass sie bei UTF-8 zu einer 2-Byte-Sequenz werden, während sie bei Latin-1 aus einzelnen Bytes bestehen.

Answer 3

UTF

UTF ist eine Familie von Multi-Byte-Codierungsverfahren, die Folgendes darstellen können Unicode Codepunkte, die für bis zu 2^31 [etwa 2 Milliarden] Zeichen stehen können. UTF-8 ist ein flexibles Kodierungssystem, das zwischen 1 und 4 Byte verwendet, um die ersten 2^21 [etwa 2 Millionen] Codepunkte darzustellen.

Langer Rede kurzer Sinn: Jedes Zeichen mit einem Codepunkt/einer ordinalen Darstellung unter 127, auch bekannt als 7-Bit-sicheres ASCII, wird durch dieselbe 1-Byte-Sequenz dargestellt wie die meisten anderen Ein-Byte-Kodierungen. Jedes Zeichen mit einem Codepunkt über 127 wird durch eine Folge von zwei oder mehr Bytes dargestellt, wobei die Besonderheiten der Kodierung am besten erklärt werden aquí .

ISO-8859

ISO-8859 ist eine Familie von Ein-Byte-Kodierungsschemata, die zur Darstellung von Alphabeten verwendet werden, die im Bereich von 127 bis 255 dargestellt werden können. Diese verschiedenen Alphabete sind als "Teile" im Format ISO-8859- definiert. n Die bekanntesten davon dürften sein ISO-8859-1 alias 'Latin-1'. Wie bei UTF-8 bleibt das 7-Bit-sichere ASCII unabhängig von der verwendeten Kodierungsfamilie unberührt.

Der Nachteil dieses Kodierungsschemas ist, dass es nicht in der Lage ist, Sprachen mit mehr als 128 Symbolen unterzubringen oder mehr als eine Symbolfamilie gleichzeitig darzustellen. Außerdem ist die ISO-8859-Kodierung mit dem Aufkommen von UTF in Ungnade gefallen. Die dafür zuständige ISO-"Arbeitsgruppe" hat sich 2004 aufgelöst und die Pflege dem übergeordneten Unterausschuss überlassen.

Windows-Code-Seiten

Es ist erwähnenswert, dass Microsoft auch die eine Reihe von Zeichenkodierungen con begrenzt Kompatibilität mit ISO-8859, gewöhnlich als "cp####" bezeichnet. MS scheint darauf zu drängen, ihre neueren Produktversionen in der einen oder anderen Form auf Unicode umzustellen, aber aus Gründen der Altlasten und/oder der Interoperabilität werden Sie wahrscheinlich immer noch auf sie stoßen.

Zum Beispiel, cp1252 ist eine Obermenge der ISO-8859-1, die zusätzliche druckbare Zeichen im 0x80-0x9F Bereich, insbesondere das Euro-Symbol € und die viel geschmähten "intelligenten Zitate" “” . Dies führt häufig zu einer Fehlanpassung, bei der 8859-1 problemlos als 1252 angezeigt werden kann, während 1252 möglicherweise scheinen problemlos als 8859-1 angezeigt, verhält sich aber falsch, wenn eines dieser zusätzlichen Symbole auftaucht.

Abgesehen von cp1252 ist das türkische cp1254 eine ähnliche Obermenge von ISO-8859-9, aber alle anderen Windows Code Pages weisen zumindest einige grundlegende Konflikte auf, wenn sie sich nicht sogar völlig von ihrem Äquivalent 8859 unterscheiden.

Answer 4

• ASCII: 7 Bits. 128 Codepunkte.

• ISO-8859-1: 8 Bits. 256 Codepunkte.

• UTF-8: 8-32 Bits (1-4 Bytes). 1.112.064 Codepunkte.

Sowohl ISO-8859-1 als auch UTF-8 sind rückwärtskompatibel mit ASCII, UTF-8 ist jedoch nicht rückwärtskompatibel mit ISO-8859-1:

#!/usr/bin/env python3

c = chr(0xa9)
print(c)
print(c.encode('utf-8'))
print(c.encode('iso-8859-1'))

Ausgabe:

©
b'\xc2\xa9'
b'\xa9'

Answer 5

ISO-8859-1 ist ein alter Standard aus den 1980er Jahren. Er kann nur 256 Zeichen darstellen und ist daher nur für einige Sprachen der westlichen Welt geeignet. Selbst bei vielen unterstützten Sprachen fehlen einige Zeichen. Wenn Sie eine Textdatei in dieser Kodierung erstellen und versuchen, einige chinesische Zeichen zu kopieren und einzufügen, werden Sie merkwürdige Ergebnisse sehen. Mit anderen Worten: Verwenden Sie sie nicht. Unicode hat die Welt erobert, und UTF-8 ist heutzutage so gut wie der Standard, es sei denn, Sie haben noch andere Gründe (wie HTTP-Header, die mit allem kompatibel sein müssen).