HTML Unicode (UTF-8) Referentie
Het Unicode-consortium
Het Unicode Consortium ontwikkelt de Unicode Standard. Hun doel is om de bestaande tekensets te vervangen door het standaard Unicode Transformation Format (UTF).
De Unicode-standaard is een succes geworden en wordt geïmplementeerd in HTML, XML, Java, JavaScript, E-mail, ASP, PHP, enz. De Unicode-standaard wordt ook ondersteund in veel besturingssystemen en alle moderne browsers.
Het Unicode Consortium werkt samen met toonaangevende organisaties voor het ontwikkelen van normen, zoals ISO, W3C en ECMA.
De Unicode-tekensets
Unicode kan worden geïmplementeerd door verschillende tekensets. De meest gebruikte coderingen zijn UTF-8 en UTF-16:
| Character-set | Description |
|---|---|
| UTF-8 | A character in UTF8 can be from 1 to 4 bytes long. UTF-8 can represent any character in the Unicode standard. UTF-8 is backwards compatible with ASCII. UTF-8 is the preferred encoding for e-mail and web pages |
| UTF-16 | 16-bit Unicode Transformation Format is a variable-length character encoding for Unicode, capable of encoding the entire Unicode repertoire. UTF-16 is used in major operating systems and environments, like Microsoft Windows, Java and .NET. |
Tip: De eerste 128 tekens van Unicode (die één-op-één overeenkomen met ASCII) zijn gecodeerd met een enkel octet met dezelfde binaire waarde als ASCII, waardoor geldige ASCII-tekst ook geldig is in UTF-8-gecodeerde Unicode.
HTML 4 ondersteunt UTF-8. HTML 5 ondersteunt zowel UTF-8 als UTF-16!
De HTML5-standaard: Unicode UTF-8
Omdat de tekensets in ISO-8859 een beperkte omvang hadden en niet compatibel waren in meertalige omgevingen, ontwikkelde het Unicode-consortium de Unicode-standaard.
De Unicode-standaard omvat (bijna) alle tekens, leestekens en symbolen ter wereld.
Unicode maakt verwerking, opslag en transport van tekst mogelijk, onafhankelijk van platform en taal.
De standaard tekencodering in HTML-5 is UTF-8.
Als een HTML5-webpagina een andere tekenset gebruikt dan UTF-8, moet deze worden opgegeven in de <meta>-tag, zoals:
Voorbeeld
<meta charset="ISO-8859-1">
Het verschil tussen Unicode en UTF-8
Unicode is een tekenset . UTF-8 codeert .
Unicode is een lijst van karakters met unieke decimale getallen (codepunten). A = 65, B = 66, C = 67, ....
Deze lijst met decimale getallen staat voor de tekenreeks "hallo": 104 101 108 108 111
Codering is hoe deze getallen worden vertaald in binaire getallen die op een computer moeten worden opgeslagen:
UTF-8-codering slaat "hallo" als volgt op (binair): 01101000 01100101 01101100 01101100 01101111
Codering vertaalt getallen naar binair. Tekensets vertaalt tekens naar cijfers.
HTML5 UTF-8-tekencodes
Hieronder vindt u een lijst met enkele van de UTF-8-tekencodes die door HTML5 worden ondersteund:
| Character codes | Decimal | Hexadecimal |
|---|---|---|
| C0 Controls and Basic Latin | 0-127 | 0000-007F |
| C1 Controls and Latin-1 Supplement | 128-255 | 0080-00FF |
| Latin Extended-A | 256-383 | 0100-017F |
| Latin Extended-B | 384-591 | 0180-024F |
| Spacing Modifiers | 688-767 | 02B0-02FF |
| Diacritical Marks | 768-879 | 0300-036F |
| Greek and Coptic | 880-1023 | 0370-03FF |
| Cyrillic Basic | 1024-1279 | 0400-04FF |
| Cyrillic Supplement | 1280-1327 | 0500-052F |
| General Punctuation | 8192-8303 | 2000-206F |
| Currency Symbols | 8352-8399 | 20A0-20CF |
| Letterlike Symbols | 8448-8527 | 2100-214F |
| Arrows | 8592-8703 | 2190-21FF |
| Mathematical Operators | 8704-8959 | 2200-22FF |
| Box Drawings | 9472-9599 | 2500-257F |
| Block Elements | 9600-9631 | 2580-259F |
| Geometric Shapes | 9632-9727 | 25A0-25FF |
| Miscellaneous Symbols | 9728-9983 | 2600-26FF |
| Dingbats | 9984-10175 | 2700-27BF |