18030

Unicode
Kodierungen UTF-7 UTF-8 CESU-8 UTF-16 UTF-32 UTF-EBCDIC SCSU Punycode GB 18030
Techniken BOM UCS UTF

Der chinesische Zeichenkodierungsstandard GB18030 beschreibt 27.484 Zeichen der chinesischen Schrift. Seit dem 1. September 2001 ist er verbindlich für alle in der Volksrepublik verkauften Betriebssysteme und Programme; es ist der Nachfolgestandard für die Kodierungen GBK und GB2312 und deckt traditionelle und vereinfachte Zeichen ab. Der offizielle Name ist GB18030-2000 und enthält GB für Guojia Biaozhun (國家標準 / 国家标准), was nationaler Standard bedeutet. Veröffentlicht wurde der Standard am 17. März 2000, ein Update erschien am 21. November 2000.

GB18030 kann als das chinesische Äquivalent zu UTF-8 angesehen werden, weil es die Codepunkte für den gesamten Unicodebereich enthält, auch für heute noch nicht zugewiesene Codepoints. Ähnlich wie UTF-8 ist es eine zu ASCII abwärtskompatible Kodierung, die über eine Million Codepunkte zusätzlich repräsentiert (im 4-Byte-Bereich von Unicode). Im Unterschied zu UTF-8 jedoch erhält GB18030 die Kompatibilität mit GBK und GB2312; ein Teil der Zuordnungstabelle wurde direkt von GBK übernommen, der Rest algorithmisch ermittelt. Zusätzlich schließt GB18030 auch die Zeichen aus dem taiwanischen Big5 ein.

Die meisten (westlichen) Computersysteme hatten bereits eine Variante von Unicode standardisiert, als GB18030 erschien. Die dabei vorgenommene technische Vereinfachung, Unicode als fixe Einheiten mit 16-bit Länge UCS-2 zu behandeln, konnte nach seinem Erscheinen nicht mehr fortgeführt werden. Betriebssystemhersteller und Programmierer wurden sozusagen durch eine „volksrepublikanische Verfügung“ gezwungen, entweder variable Formate wie UTF-8 oder UTF-16 zu verwenden, oder aber größere Formate fixer Breite, wie UCS-4 oder UTF-32. Mit Windows 2000 nahm Microsoft diesen Schritt vor, Linux unterstützt dies ebenfalls seit einigen Jahren.

Der Zeichensatz SimSun (Founder Extended) ermöglicht die Anzeige aller Glyphen aus GB18030, also des gesamten Zeichenvorrates aus Unicode 2.1 und die zusätzlichen aus den „Unicode CJK Unified Ideographs Extensions A und B“. Weitere bekannte Zeichensätze mit zumindest teilweiser Unterstützung (CJK Extension A) sind SimSun 18030 oder Code2000.

Aufbau der Zeichen

Sequenzen aus einem Byte entsprechen ASCII und reichen von 00_hex bis 7F_hex. Sequenzen aus 2 Byte entsprechen GB2312 und bestehen aus einem Start-Byte aus dem Bereich 81_hex … FE_hex, gefolgt von einem Byte aus dem Bereich 40_hex … FE_hex. Sequenzen aus 4 Byte bilden die bis hierhin unberücksichtigten Unicode-Zeichen ab. Das erste und dritte Byte ist aus dem Bereich 81_hex … FE_hex, das zweite und vierte Byte aus 30_hex … 39_hex. Im Gegensatz zu UTF-8 kann man also bei einem Oktett im Bereich 30_hex … 7F_hex nicht davon ausgehen, dass es für ein ASCII-Zeichen ist, sondern dieser Bytewert kann in Abhängigkeit von seiner Position verschiedene Bedeutung haben.

Weblinks

• IANA Charset Registration for GB18030
• Englische Zusammenfassung von GB 18030-2000
• Authoritative Konkordanz zwischen GB18030 und Unicode (Warnung: technische Schwierigkeiten beim Laden im Browser möglich).
• ICU Converter Explorer: GB18030
• Unicode CJK Unified Ideographs Extension A (PDF, 1.5MB)
• Unicode CJK Unified Ideographs Extension B (PDF, 13 MB)
• GB18030 Support-Paket für Windows 2000/XP, einschließlich Chinesisch, Tibetisch, Yi, Mongolisch und Thailändisch von Microsoft
• SILs gratis Fonts, Editoren und Dokumentation