Text in Binärcode umwandeln

Wandelst du den Buchstaben A in Binärcode um, erhältst du saubere acht Ziffern: 01000001. Konvertierst du ein Emoji auf dieselbe Weise, fällt die Ausgabe viermal so lang aus. UTF-8 musste nämlich Platz für sämtliche Schriftsysteme der Welt schaffen, während der ursprüngliche ASCII-Standard lediglich auf sieben Bits ausgelegt war.

Ein Buchstabe im Text-in-Binär-Format: Acht Bits verstehen

Der Großbuchstabe A besitzt den ASCII-Code 65. In Binärdarstellung lautet das 01000001. Von rechts nach links gelesen haben die Bits die Werte 1, 2, 4, 8, 16, 32, 64 und 128. Die Summe aus 64 und 1 ergibt exakt 65. Im Speicher abgelegter Text besteht letztlich aus einer fortlaufenden Kette dieser 8-Bit-Gruppen, jeweils eine pro Zeichen.

Das kleine a mit dem Wert 97 ergibt binär 01100001. Das entspricht dem Muster von A mit einem zusätzlich gesetzten Bit an der Position mit dem Wert 32. Genau dieser feste Abstand von 32 Positionen unterscheidet im Zeichensatz Groß- und Kleinbuchstaben voneinander.

Der Übergang von ASCII zu UTF-8 bei der Binärkonvertierung

UTF-8 wurde so aufgebaut, dass seine ersten 128 Zeichen Byte für Byte mit ASCII übereinstimmen: genau ein Byte, bei dem das führende Bit immer 0 ist. Aus diesem Grund bleibt einfacher englischer Text in der Binärform identisch, ganz gleich ob ein Programm ihn als ASCII oder als UTF-8 interpretiert.

Oberhalb des Codes 127 wechselt UTF-8 zu Sequenzen aus mehreren Bytes mit festen Bitmustern: Ein führendes Byte, das mit 110 beginnt, kündigt ein Zeichen aus zwei Bytes an, 1110 steht für drei Bytes und 11110 signalisiert vier Bytes. Jedes Folgebyte beginnt mit 10, wodurch Software ein Fortsetzungsbyte sofort vom Start eines neuen Zeichens unterscheiden kann.

Ein konkretes Mehrbyte-Beispiel im Text-in-Binär-Wandler

Betrachte den Buchstaben é mit dem Unicode-Codepunkt 233. Er passt nicht in ein einzelnes Byte, weshalb UTF-8 ihn über zwei Bytes abbildet: 11000011 10101001, hexadezimal als C3 A9 notiert. Die einleitende Folge 110 markiert den Beginn der Zwei-Byte-Folge, während 10 das Folgebyte kennzeichnet.

Ein Emoji liegt im Zeichensatz noch weiter hinten und beansprucht oft die maximalen vier Bytes von UTF-8, beginnend mit 11110. Das erklärt direkt, weshalb ein Emoji bei der Bitzählung spürbar schwerer wiegt als ein einfacher Buchstabe.

Probleme reiner ASCII-Systeme mit Umlauten und Sonderzeichen

• ASCII definiert keinerlei Werte über 127, sodass Akzente, Sonderzeichen oder Emojis dort keinen Platz finden.
• Liest ein System Daten starr Byte für Byte ohne UTF-8-Erkennung aus, zerlegt es Mehrbyte-Zeichen in isolierte Fragmente und stellt diese als unleserliche Symbole dar.
• Das ist der technische Grund für fehlerhafte Zeichensalate, wenn lesbarer Text falsche Kodierungsschritte durchläuft und als Ansammlung von Fragezeichen endet.

Fragen zur Text-in-Binär-Umwandlung