Ein Text hat eine bestimmte Laenge, das scheint einfach. Doch die Frage Wie gross ist dieser Text? hat zwei verschiedene Antworten, je nachdem ob man Zeichen oder Bytes zaehlt. Diese Unterscheidung ist kein akademisches Detail: Sie entscheidet darueber, ob ein Datenbankfeld ueberlaeuft, ob eine SMS in einem oder zwei Teilen verschickt wird und wie gross eine Datei wirklich ist. Dieser Artikel erklaert, wie aus Zeichen Bytes werden und warum UTF-8 dabei die zentrale Rolle spielt.
Zeichen, Codepoints und Bytes
Drei Begriffe muss man auseinanderhalten:
- Ein Zeichen ist das, was ein Mensch sieht: ein Buchstabe, eine Ziffer, ein Satzzeichen, ein Emoji.
- Ein Codepoint ist die Nummer, die Unicode jedem Zeichen zuweist. Der Buchstabe A hat den Codepoint 65, das Eurozeichen die Nummer 8364.
- Ein Byte ist die kleinste Speichereinheit. Wie viele Bytes ein Codepoint belegt, haengt von der Kodierung ab.
Die Kodierung ist die Vorschrift, wie ein Codepoint in Bytes uebersetzt wird. Heute ist UTF-8 der unangefochtene Standard im Web. Sie ist clever konstruiert, weil sie Speicher spart, wo es geht, und nur dort mehr Platz verbraucht, wo es noetig ist.
Wie UTF-8 Bytes verteilt
UTF-8 ist eine Kodierung mit variabler Laenge. Je nachdem, wie hoch der Codepoint eines Zeichens liegt, belegt es ein bis vier Bytes:
- 1 Byte: Die klassischen ASCII-Zeichen, also lateinische Buchstaben ohne Akzent, Ziffern und gaengige Satzzeichen. Genau hier spart UTF-8, weil englischer Text praktisch nur ein Byte pro Zeichen braucht.
- 2 Bytes: Lateinische Zeichen mit Akzent und Umlaute wie ae, oe, ue, dazu griechische und kyrillische Buchstaben.
- 3 Bytes: Die meisten weiteren Schriftsysteme, viele Symbole und Sonderzeichen wie das Eurozeichen.
- 4 Bytes: Emojis und seltene historische Zeichen.
Das Wort Stra mit dem scharfen S ist also kuerzer in Zeichen als in Bytes, weil das scharfe S zwei Bytes belegt. Ein Daumen-hoch-Emoji ist ein einzelnes Zeichen, kostet aber vier Bytes. Genau diese Umrechnung uebernimmt der Zeichen Bytes Rechner: Du gibst einen Text ein und siehst sofort, wie viele Zeichen er hat und wie viele Bytes er in UTF-8 belegt.
Warum das in der Praxis zaehlt
Der Unterschied zwischen Zeichen und Bytes ist nicht nur Theorie, sondern hat handfeste Folgen:
- Datenbankfelder: Aeltere Datenbankkonfigurationen begrenzen Felder nach Bytes, nicht nach Zeichen. Ein Feld fuer 255 Bytes fasst nur etwa 85 Zeichen, wenn jedes Zeichen drei Bytes belegt. Texte mit vielen Sonderzeichen koennen dann unerwartet abgeschnitten werden.
- API- und URL-Limits: Viele Schnittstellen begrenzen die Groesse von Anfragen in Bytes. Ein Text, der in Zeichen passt, kann in Bytes zu gross sein.
- Dateigroessen: Die Groesse einer Textdatei auf der Festplatte ist die Summe der Bytes, nicht der Zeichen. Deshalb ist eine deutsche Textdatei mit vielen Umlauten groesser als eine gleich lange englische.
Wer mit internationalen Texten arbeitet, sollte daher immer wissen, ob ein Limit in Zeichen oder Bytes gilt. Im Zweifel rechnet man mit dem schlechtesten Fall, also mit mehreren Bytes pro Zeichen.
Das Byte Order Mark und andere Stolperfallen
Eine UTF-8-Datei kann optional mit einem unsichtbaren Markierungszeichen am Anfang beginnen, dem Byte Order Mark (BOM). Es belegt drei Bytes und ist im Editor nicht sichtbar, kann aber Probleme verursachen, etwa wenn ein Server es versehentlich mit ausgibt und das Layout zerschiesst. Fuer Web-Dateien gilt: UTF-8 ohne BOM ist die empfohlene Variante.
Eine weitere Feinheit betrifft kombinierte Zeichen. Manche Buchstaben mit Akzent lassen sich auf zwei Arten darstellen: als ein einzelner vorgefertigter Codepoint oder als Grundbuchstabe plus separatem Akzentzeichen. Optisch sind beide identisch, in Zeichen- und Byte-Zahl unterscheiden sie sich aber. Das erklaert, warum derselbe sichtbare Text manchmal unterschiedlich gemessen wird.
Verwandte Werkzeuge
Wenn du die Byte-Groesse eines ganzen JSON-Dokuments brauchst, hilft der JSON Groesse Rechner, der zusaetzlich die minifizierte Groesse anzeigt. Fuer die reine Text- und Lesbarkeitsanalyse, etwa Wort- und Satzzahl, ist der Lesbarkeitsrechner das passende Werkzeug. Eine vollstaendige Uebersicht findest du in den Webtools.
Haeufige Fragen
Wie viele Bytes hat ein deutsches Wort durchschnittlich?
Das haengt von der Zahl der Umlaute ab. Ein Wort ohne Umlaute belegt ein Byte pro Buchstabe, jeder Umlaut und jedes scharfe S fuegt ein zusaetzliches Byte hinzu. Deutscher Text ist deshalb in Bytes typischerweise einige Prozent groesser als seine reine Zeichenzahl.
Warum nutzt das Web ueberhaupt UTF-8 und nicht eine feste Breite?
Eine feste Breite wie bei aelteren Kodierungen wuerde fuer jedes Zeichen gleich viel Platz reservieren, auch fuer einfache ASCII-Buchstaben. Da der allergroesste Teil des Webtextes aus ASCII-naher Schrift besteht, spart UTF-8 mit seiner variablen Laenge enorm viel Speicher und bleibt zugleich vollstaendig kompatibel mit reinem ASCII.
Zaehlt ein Emoji als ein Zeichen?
Optisch ja, technisch nicht immer. Viele Emojis sind ein einzelner Codepoint und damit ein Zeichen, das vier Bytes belegt. Komplexere Emojis, etwa mit Hautton oder als Kombination mehrerer Symbole, bestehen jedoch aus mehreren Codepoints und koennen so leicht acht oder mehr Bytes belegen.