UTF-8 ist eine Zeichenkodierung, die jedes Unicode-Zeichen mit einem bis vier Bytes speichert. Sie ist die Kodierung fast aller Websites und seit HTML5 die empfohlene Wahl für jedes neue Dokument.
- UTF-8
Eine Kodierung für Unicode, die Zeichen mit unterschiedlich vielen Bytes speichert und mit ASCII abwärtskompatibel ist.
Beispiel: „Seit die Datenbank auf UTF-8 umgestellt ist, kommen Umlaute im Newsletter wieder richtig an.“Entworfen haben UTF-8 Ken Thompson und Rob Pike im Jahr 1992. Der Name steht für UCS Transformation Format, 8 Bit.
Verwandt: Zeichenkodierung, die allgemeine Regel, nach der aus Bytes Buchstaben werden.
Wie UTF-8 Zeichen speichert
Zeichen aus dem englischen Alphabet, Ziffern und Satzzeichen brauchen ein Byte, genau wie im alten ASCII. Umlaute und die meisten europäischen Zeichen brauchen zwei, chinesische Zeichen drei, Emojis vier.
Dadurch bleiben deutsche Texte klein, und jede Datei in reinem ASCII ist automatisch gültiges UTF-8. Das hat den Umstieg so leicht gemacht.
UTF-8 auf der Website
Im Kopf jeder Seite steht die Angabe zur Kodierung, und der Server schickt dieselbe Angabe im Header. Datenbank, Dateien und Formulare sollten durchgehend dieselbe Kodierung nutzen.
<meta charset="utf-8">In MySQL heißt die vollständige Fassung utf8mb4. Die ältere Einstellung utf8 kann nur drei Bytes speichern und verschluckt deshalb Emojis.
Was bei UTF-8 schiefgehen kann
Wird ein UTF-8-Text als älterer westeuropäischer Zeichensatz gelesen, erscheint aus dem ä ein ä. Diese Zeichenfolgen sind ein sicheres Zeichen dafür, dass irgendwo zwischen Datenbank, Code und Browser die Kodierung wechselt.
Bei Importen aus Excel oder alten Systemen lohnt deshalb ein Blick auf die Kodierung, bevor Tausende Datensätze mit kaputten Umlauten im System landen.