ISO 8859

aus Wikipedia, der freien Enzyklopädie
ISO 8859
-1 Latin-1, Westeuropäisch
-2 Latin-2, Mitteleuropäisch
-3 Latin-3, Südeuropäisch
-4 Latin-4, Nordeuropäisch
-5 Kyrillisch
-6 Arabisch
-7 Griechisch
-8 Hebräisch
-9 Latin-5, Türkisch
-10 Latin-6, Nordisch
-11 Thai
-12 (existiert nicht)
-13 Latin-7, Baltisch
-14 Latin-8, Keltisch
-15 Latin-9, Westeuropäisch
-16 Latin-10, Südosteuropäisch

Die Normenfamilie ISO 8859, genauer ISO/IEC 8859, der Internationalen Organisation für Normung definiert in 15 verabschiedeten und einer verworfenen Teilnorm verschiedene 8-Bit-Zeichensätze für die Informationstechnik, darunter:

  • ISO 8859-1 war im Dezember 2020 mit 1,7 % die zweithäufigste Kodierung von Websites, nach UTF-8 mit 95,9 %.
  • ISO 8859-9 wird von 0,1 % aller Websites verwendet.
  • die übrigen Teilnormen spielen in der Praxis keine Rolle.[1]

Allgemeiner Aufbau der Zeichensätze

  • Die ersten 128 Positionen sind bei allen Teilnormen identisch und entsprechen den Zeichen des 7-Bit-Satzes US-ASCII.
  • Die Zeichen 7Fhex bis 9Fhex werden in der Norm nicht definiert ("Their use is outside the scope of ISO/IEC 8859; it is specified in other International Standards, for example ISO/IEC 6429.")[2]
  • Die letzten 96 Positionen (A0hex bis FFhex) enthalten regionale Sonderzeichen und machen den Unterschied zwischen den Teilnormen aus. Sie sind unten in Tabellenform dargestellt. Die Zeichenzuordnung insbesondere von ISO 8859-1 spiegelt dabei den Aufbau von ASCII wider.
    • A0hex bis BFhex enthält hauptsächlich Satz- und Sonderzeichen.
    • C0hex bis DFhex enthält hauptsächlich Großbuchstaben.
    • E0hex bis FFhex enthält hauptsächlich Kleinbuchstaben.

Anmerkungen

  • Der häufig benutzte Latin-1-Zeichensatz ist identisch mit den ersten 256 Zeichen des Unicode-Zeichensatzes.
  • Der neuere Latin-9-Zeichensatz (ISO 8859-15) unterscheidet sich nur an 8 Positionen vom Latin-1-Zeichensatz; unter anderem wurde das allgemeine Währungszeichen ¤ durch das Eurozeichen € ersetzt.
  • Innerhalb der Normenfamilie wurde kein Zeichensatz „ISO 8859-12“ festgelegt. Die Bezeichnung wurde vorübergehend für zwei verschiedene Vorschläge benutzt, aber keiner der beiden wurde als Standard beschlossen.
  • Die ISO-8859-Normen werden von ISO/IEC nicht mehr aktiv weiterentwickelt. Die Zeichensätze wurden durch ISO UCS abgelöst das inhaltsgleich zum Unicode-Standard ist. Dieser findet vor allem in Form der UTF-8-Kodierung Verbreitung.

Buchstaben für die deutsche Sprache

Die deutschen Umlaute Ä = C4hex, ä = E4hex, Ö = D6hex, ö = F6hex, Ü = DChex und ü = FChex sowie das kleine Eszett ß = DFhex sind in zehn Teilnormen der Latin-Gruppe jeweils auf den gleichen Positionen bzw. mit dem gleichen Code vorhanden. Eine Kompatibilität zwischen diesen Normen zumindest für deutschsprachige Texte ist damit gegeben.

Lediglich in den Teilnormen für die Alphabete -5 Kyrillisch, -6 Arabisch, -7 Griechisch, -8 Hebräisch und -11 Thai sind die deutschen Sonderzeichen nicht verfügbar.

Tabelle der regionalen Sonderzeichen

An Position A0hex liegt stets das geschützte Leerzeichen (engl. non breaking space, NBSP) und an ADhex meist der bedingte Trennstrich (engl. soft hyphen, SHY), der nur am Zeilenende sichtbar ist. Weitere mit Buchstaben symbolisierte Zeichen sind im Hebräischen die bidirektionalen Steuerzeichen LRM und RLM an Position FDhex bzw. FEhex. Leere Felder sind entweder (noch) nicht belegt oder können auf dem verwendeten System nicht angezeigt werden.

Ergänzungen und Änderungen in der Version 2003 des Standards.
Nicht definierte Zeichen sind grün hinterlegt.

Belegung der ISO-8859-Teilnormen mit regionalen Sonderzeichen
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16
10100000 240 160 A0 NBSP
10100001 241 161 A1 ¡ Ą Ħ Ą Ё   ‘   ¡ Ą ก ” Ḃ ¡ Ą
10100010 242 162 A2 ¢ ˘ ˘ ĸ Ђ   ’ ¢ ¢ Ē ข ¢ ḃ ¢ ą
10100011 243 163 A3 £ Ł £ Ŗ Ѓ   £ £ £ Ģ ฃ £ £ £ Ł
10100100 244 164 A4 ¤ ¤ ¤ ¤ Є ¤ € ¤ ¤ Ī ค ¤ Ċ € €
10100101 245 165 A5 ¥ Ľ   Ĩ Ѕ   ₯ ¥ ¥ Ĩ ฅ „ ċ ¥ „
10100110 246 166 A6 ¦ Ś Ĥ Ļ І   ¦ ¦ ¦ Ķ ฆ ¦ Ḋ Š Š
10100111 247 167 A7 § § § § Ї   § § § § ง § § § §
10101000 250 168 A8 ¨ ¨ ¨ ¨ Ј   ¨ ¨ ¨ Ļ จ Ø Ẁ š š
10101001 251 169 A9 © Š İ Š Љ   © © © Đ ฉ © © © ©
10101010 252 170 AA ª Ş Ş Ē Њ   ͺ × ª Š ช Ŗ Ẃ ª Ș
10101011 253 171 AB « Ť Ğ Ģ Ћ   « « « Ŧ ซ « ḋ « «
10101100 254 172 AC ¬ Ź Ĵ Ŧ Ќ ، ¬ ¬ ¬ Ž ฌ ¬ Ỳ ¬ Ź
10101101 255 173 AD SHY ญ SHY
10101110 256 174 AE ® Ž   Ž Ў     ® ® Ū ฎ ® ® ® ź
10101111 257 175 AF ¯ Ż Ż ¯ Џ   ― ¯ ¯ Ŋ ฏ Æ Ÿ ¯ Ż
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16
10110000 260 176 B0 ° ° ° ° А   ° ° ° ° ฐ ° Ḟ ° °
10110001 261 177 B1 ± ą ħ ą Б   ± ± ± ą ฑ ± ḟ ± ±
10110010 262 178 B2 ² ˛ ² ˛ В   ² ² ² ē ฒ ² Ġ ² Č
10110011 263 179 B3 ³ ł ³ ŗ Г   ³ ³ ³ ģ ณ ³ ġ ³ ł
10110100 264 180 B4 ´ ´ ´ ´ Д   ΄ ´ ´ ī ด “ Ṁ Ž Ž
10110101 265 181 B5 µ ľ µ ĩ Е   ΅ µ µ ĩ ต µ ṁ µ ”
10110110 266 182 B6 ś ĥ ļ Ж   Ά ķ ถ
10110111 267 183 B7 · ˇ · ˇ З   · · · · ท · Ṗ · ·
10111000 270 184 B8 ¸ ¸ ¸ ¸ И   Έ ¸ ¸ ļ ธ ø ẁ ž ž
10111001 271 185 B9 ¹ š ı š Й   Ή ¹ ¹ đ น ¹ ṗ ¹ č
10111010 272 186 BA º ş ş ē К   Ί ÷ º š บ ŗ ẃ º ș
10111011 273 187 BB » ť ğ ģ Л ؛ » » » ŧ ป » Ṡ » »
10111100 274 188 BC ¼ ź ĵ ŧ М   Ό ¼ ¼ ž ผ ¼ ỳ Œ Œ
10111101 275 189 BD ½ ˝ ½ Ŋ Н   ½ ½ ½ ― ฝ ½ Ẅ œ œ
10111110 276 190 BE ¾ ž   ž О   Ύ ¾ ¾ ū พ ¾ ẅ Ÿ Ÿ
10111111 277 191 BF ¿ ż ż ŋ П ؟ Ώ   ¿ ŋ ฟ æ ṡ ¿ ż
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16
11000000 300 192 C0 À Ŕ À Ā Р   ΐ   À Ā ภ Ą À À À
11000001 301 193 C1 Á Á Á Á С ء Α   Á Á ม Į Á Á Á
11000010 302 194 C2 Â Â Â Â Т آ Β   Â Â ย Ā Â Â Â
11000011 303 195 C3 Ã Ă   Ã У أ Γ   Ã Ã ร Ć Ã Ã Ă
11000100 304 196 C4 Ä Ä Ä Ä Ф ؤ Δ   Ä Ä ฤ Ä Ä Ä Ä
11000101 305 197 C5 Å Ĺ Ċ Å Х إ Ε   Å Å ล Å Å Å Ć
11000110 306 198 C6 Æ Ć Ĉ Æ Ц ئ Ζ   Æ Æ ฦ Ę Æ Æ Æ
11000111 307 199 C7 Ç Ç Ç Į Ч ا Η   Ç Į ว Ē Ç Ç Ç
11001000 310 200 C8 È Č È Č Ш ب Θ   È Č ศ Č È È È
11001001 311 201 C9 É É É É Щ ة Ι   É É ษ É É É É
11001010 312 202 CA Ê Ę Ê Ę Ъ ت Κ   Ê Ę ส Ź Ê Ê Ê
11001011 313 203 CB Ë Ë Ë Ë Ы ث Λ   Ë Ë ห Ė Ë Ë Ë
11001100 314 204 CC Ì Ě Ì Ė Ь ج Μ   Ì Ė ฬ Ģ Ì Ì Ì
11001101 315 205 CD Í Í Í Í Э ح Ν   Í Í อ Ķ Í Í Í
11001110 316 206 CE Î Î Î Î Ю خ Ξ   Î Î ฮ Ī Î Î Î
11001111 317 207 CF Ï Ď Ï Ī Я د Ο   Ï Ï ฯ Ļ Ï Ï Ï
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16
11010000 320 208 D0 Ð Đ   Đ а ذ Π   Ğ Ð ะ Š Ŵ Ð Đ
11010001 321 209 D1 Ñ Ń Ñ Ņ б ر Ρ   Ñ Ņ ั Ń Ñ Ñ Ń
11010010 322 210 D2 Ò Ň Ò Ō в ز     Ò Ō า Ņ Ò Ò Ò
11010011 323 211 D3 Ó Ó Ó Ķ г س Σ   Ó Ó ำ Ó Ó Ó Ó
11010100 324 212 D4 Ô Ô Ô Ô д ش Τ   Ô Ô ิ Ō Ô Ô Ô
11010101 325 213 D5 Õ Ő Ġ Õ е ص Υ   Õ Õ ี Õ Õ Õ Ő
11010110 326 214 D6 Ö Ö Ö Ö ж ض Φ   Ö Ö ึ Ö Ö Ö Ö
11010111 327 215 D7 × × × × з ط Χ   × Ũ ื × Ṫ × Ś
11011000 330 216 D8 Ø Ř Ĝ Ø и ظ Ψ   Ø Ø ุ Ų Ø Ø Ű
11011001 331 217 D9 Ù Ů Ù Ų й ع Ω   Ù Ų ู Ł Ù Ù Ù
11011010 332 218 DA Ú Ú Ú Ú к غ Ϊ   Ú Ú ฺ Ś Ú Ú Ú
11011011 333 219 DB Û Ű Û Û л   Ϋ   Û Û   Ū Û Û Û
11011100 334 220 DC Ü Ü Ü Ü м   ά   Ü Ü   Ü Ü Ü Ü
11011101 335 221 DD Ý Ý Ŭ Ũ н   έ   İ Ý   Ż Ý Ý Ę
11011110 336 222 DE Þ Ţ Ŝ Ū о   ή   Ş Þ   Ž Ŷ Þ Ț
11011111 337 223 DF ß ß ß ß п   ί ‗ ß ß ฿ ß ß ß ß
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16
11100000 340 224 E0 à ŕ à ā р ـ ΰ א à ā เ ą à à à
11100001 341 225 E1 á á á á с ف α ב á á แ į á á á
11100010 342 226 E2 â â â â т ق β ג â â โ ā â â â
11100011 343 227 E3 ã ă   ã у ك γ ד ã ã ใ ć ã ã ă
11100100 344 228 E4 ä ä ä ä ф ل δ ה ä ä ไ ä ä ä ä
11100101 345 229 E5 å ĺ ċ å х م ε ו å å ๅ å å å ć
11100110 346 230 E6 æ ć ĉ æ ц ن ζ ז æ æ ๆ ę æ æ æ
11100111 347 231 E7 ç ç ç į ч ه η ח ç į ็ ē ç ç ç
11101000 350 232 E8 è č è č ш و θ ט è č ่ č è è è
11101001 351 233 E9 é é é é щ ى ι י é é ้ é é é é
11101010 352 234 EA ê ę ê ę ъ ي κ ך ê ę ๊ ź ê ê ê
11101011 353 235 EB ë ë ë ë ы ً λ כ ë ë ๋ ė ë ë ë
11101100 354 236 EC ì ě ì ė ь ٌ μ ל ì ė ์ ģ ì ì ì
11101101 355 237 ED í í í í э ٍ ν ם í í ํ ķ í í í
11101110 356 238 EE î î î î ю َ ξ מ î î ๎ ī î î î
11101111 357 239 EF ï ď ï ī я ُ ο ן ï ï ๏ ļ ï ï ï
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16
11110000 360 240 F0 ð đ   đ № ِ π נ ğ ð ๐ š ŵ ð đ
11110001 361 241 F1 ñ ń ñ ņ ё ّ ρ ס ñ ņ ๑ ń ñ ñ ń
11110010 362 242 F2 ò ň ò ō ђ ْ ς ע ò ō ๒ ņ ò ò ò
11110011 363 243 F3 ó ó ó ķ ѓ   σ ף ó ó ๓ ó ó ó ó
11110100 364 244 F4 ô ô ô ô є   τ פ ô ô ๔ ō ô ô ô
11110101 365 245 F5 õ ő ġ õ ѕ   υ ץ õ õ ๕ õ õ õ ő
11110110 366 246 F6 ö ö ö ö і   φ צ ö ö ๖ ö ö ö ö
11110111 367 247 F7 ÷ ÷ ÷ ÷ ї   χ ק ÷ ũ ๗ ÷ ṫ ÷ ś
11111000 370 248 F8 ø ř ĝ ø ј   ψ ר ø ø ๘ ų ø ø ű
11111001 371 249 F9 ù ů ù ų љ   ω ש ù ų ๙ ł ù ù ù
11111010 372 250 FA ú ú ú ú њ   ϊ ת ú ú ๚ ś ú ú ú
11111011 373 251 FB û ű û û ћ   ϋ   û û ๛ ū û û û
11111100 374 252 FC ü ü ü ü ќ   ό   ü ü   ü ü ü ü
11111101 375 253 FD ý ý ŭ ũ §   ύ LRM ı ý   ż ý ý ę
11111110 376 254 FE þ ţ ŝ ū ў   ώ RLM ş þ   ž ŷ þ ț
11111111 377 255 FF ÿ ˙ ˙ ˙ џ       ÿ ĸ   ’ ÿ ÿ ÿ
Binär Okt Dez Hex -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -13 -14 -15 -16

Siehe auch

Einzelnachweise

  1. ↑ https://w3techs.com/technologies/history_overview/character_encoding ISO 8859-2, und 8859-15 werden da noch erwähnt, mit (etwas?) weniger als 0,17 %.
  2. ↑ ISO/IEC 8859-1:1998, S. 5

Weblinks

Abgerufen von „https://de.wikiup.org/index.php?title=ISO_8859&oldid=219823874“