5 Probleme auf höherer Ebene

Für die Darstellung von Texten in einer einzigen Sprache ist die Existenz eines geeigneten Zeichensatzes die Hauptsache. Aber unser Thema ist ja die Internationalisierung, die Möglichkeit, dass ein Programm in mehreren Sprachen funktioniert. Dazu ist mehr nötig als Zeichensätze für die einzelnen Sprachen: entweder Umschaltung zwischen verschiedenen Zeichensätzen oder ein universeller Zeichensatz, der für mehrere, viele oder gar alle Sprachen geeignet ist. Wie wir gesehen haben, löst Unicode dieses Problem.

Aber auch über der Ebene der Zeichen gibt es strukturelle Eigenschaften, in denen sich die Sprachen unterscheiden. Wenn solche Eigenschaften in einem Programm festgeschrieben sind, behindern oder verhindern sie sie Internationalisierung des Programms. Daher müssen Programmierer um diese Eigenschaften wissen, damit sie deren Fixierung im Programm vermeiden können.

Man kann nicht verlangen, dass Programmierer ein tief gehendes linguistisches Wissen haben. Vielmehr sollten sie wissen, was man in der Programmierung vermeiden muss, um ein Programm zu internationalisieren oder leicht internationalisierbar zu machen.

5.1 Wortstellung im Satz

Die Anordnung der Wörter im Satz oder Satzteil ist in allen Sprachen von Bedeutung, in manchen mehr, in anderen weniger. Außerdem unterscheiden sich die möglichen Wortstellungen in den einzelnen Sprachen.

Wenn man ganze Sätze, zum Beispiel Meldungen an den Benutzer, internationalisiert, muss der Übersetzer das Problem der Wortstellung bei der Lokalisierung lösen. Es kommt aber vor, dass solche Meldungen variable Teile haben, so genannte Parameter. Zur Behandlung solcher Parameter gibt es zwei traditionelle Techniken: Die Verwendung eines Platzhalters oder die Aufteilung des Satzes.

Zunächst erscheint die Aufteilung einfacher: Wenn in der Mitte eines Satzes ein variables Element steht, gibt man zuerst den ersten Teil aus, dann den variablen Teil, zuletzt den zweiten. Die beiden festen Teile werden getrennt übersetzt (natürlich muss der Übersetzer beide Teile kennen und wissen, dass sie zusammen gehören).

Wie man sieht, führt diese Technik zu seltsamen "Übersetzungen"; man kann die Teile nicht einzeln übersetzen, sondern nur im Rahmen des ganzen Satzes. Eine modernere Technik benutzt ein Satz-Schema mit einem Platzhalter (%s) in der Mitte:

Die Technik funktioniert grundsätzlich auch mit mehreren Parametern, wenn die Wortstellung in den verwendeten Sprachen dieselbe ist:

Wenn die Wortstellung unterschiedlich ist, versagen beide Techniken. Betrachten wir die Wortstellung der englischen Sprache, die oft ein attributives Substantiv vor das bestimmte Hauptwort stellt, wo viele andere europäische Sprachen es umgekehrt machen. Das zeigt der folgende Beispielsatz, der drei variable Elemente enthält.

• einen Artikel
• eine Art von Peripherie-Geräten für Rechner (Drucker, Bildschirm, Tastatur, Maus, Scanner, Kamera, …)
• den Namen (Typ) eines solchen Gerätes

Der Beispielsatz zeigt, dass die drei variablen Elemente in unterschiedlicher Reihenfolge auftreten: Das Englische setzt den Typ vor die Art, Deutsch und Esperanto machen es umgekehrt. Daher können keine zwei gleichen Platzhalter verwendet werden.

Die übliche Lösung besteht darin, die Platzhalter zu nummerieren, wie im folgenden Beispiel, wo die Reihenfolge 1-2-3 im Deutschen zu 1-3-2 im englischen Schema wird.

Obwohl man im englischen und im Esperanto-Text den Artikel ("la", "the") fest ins das Satzschema schreiben könnte, zeigen die Beispiele für Deutsch und Rumänisch, dass das nicht allgemein möglich ist, weil der Artikel vom Substantiv (von dessen Geschlecht) abhängt. Man muss also zusammen mit dem Wort auch den Artikel speichern oder aus dem Geschlecht "berechnen".

Das rumänische Beispiel zeigt auch, dass der Artikel nicht immer vor dem Substantiv steht, sondern zum Beispiel dessen Endung modifizieren kann. Dieses Problem kann die Platzhaltertechnik nicht lösen.

Für die erwähnten Sprachen lässt sich das Problem durch eine zweistufige Substitution lösen: Der Grundtext enthält nur einen einzigen Platzhalter, für die "Geräteart". Die Texte für diesen Platzhalten enthalten ihrerseits einen weiteren Platzhalter, für den "Typ". Es ist also eine zweiphasige Ersetzung notwendig.

Wo liegt der grundlegende Unterschied zur vorigen Technik? Hier steht der Satzteil (zweite Spalte der Tabelle), der sich (in diesen vier Sprachen) in der Wortstellung unterscheidet, ganz und ungeteilt in der Textliste, ist also gut übersetzbar. Diese zweistufige Ersetzung löst das Problem für Englisch, Deutsch und Rumänisch, aber da die Lösung im Programm und nicht in einem Internationalisierungs-Rahmen enthalten ist, gibt es keine Garantie, dass sie auch für andere Sprachen funktioniert.

5.2 Einzahl und Mehrzahl

Wenn ein zählbares Substantiv von einer wechselnden Zahl qualifiziert wird, ergibt sich das Problem, in welcher Form das Substantiv stehen soll. Im Deutschen kann es in der Einzahl oder in der Mehrzahl stehen. In Tabellen kann man die Mehrzahlform einklammern ("Datei(en)", "Stimme(n)"), aber in einem ganzen Satz sieht das unschön aus. Schöner ist es, zwischen "eins" und "andere Anzahl" zu unterscheiden und ordentlich die Ein- oder Mehrzahl zu setzen. Dazu muss man natürlich in jeder Sprache beide Formen zur Verfügung haben.

Diese Unterscheidung zwischen Ein- und Mehrzahl wird von einigen Programm-Bibliotheken unterstützt, zum Beispiel von der Klasse KLocale des Rahmens "Qt" der Firma "Trolltech", die folgende Methode enthält:

Diese Methode, deren Name etwas anspruchsvoll "übersetze" bedeutet, bekommt im Aufruf einen Ausdruck (es kann auch ein ganzer Satz sein) in der Einzahl, denselben Ausdruck in der Mehrzahl und eine Zahl. Der Mehrzahlausdruck muss den Platzhalter "%d" enthalten, der durch die Zahl ersetzt wird.

Setzen wir nun mit dieser Methode den Ausdruck "ein großes Vorbild" in die Zahlen von 1 bis 5:

Ähnlich funktioniert die Funktion I18N:NGETTEXT der Programmiersprache CLISP und die Funktion dcngettext des Programmms gawk.

Sprecher vieler Sprachen sind mit diesen beiden Möglichkeiten zufrieden und denken nicht daran, dass andere Sprachen feiner unterscheiden. Slawische Sprachen verwenden ab der Zahl 5 andere Formen, sie benutzen also nach Zahlen drei verschiedene Formen des Substantivs (zum Beispiel im Russischen den Nominativ Einzahl, den Genitiv Einzahl und den Genitiv Mehrzahl; im Slowakischen den Nominativ Einzahl, den Nominativ Mehrzahl und den Genitiv Mehrzahl). Das Arabische hat einen "Dual", eine besondere Form für zwei Exemplare.

Wenn ein Programmierer diese Unterschiede nicht bei der Internationalisierung bedacht hat, ist es fast unmöglich, sie später bei der Lokalisierung zu berücksichtigen.

Die Abhängigkeit zwischen Zahlen und Substantiven ist eine komplexe Erscheinung. Im Prinzip ist es möglich, den Programmierer hier besser zu unterstützen, aber die Zahl der verwendeten Formen muss variabel sein (zum Beispiel zwei im Deutschen, drei im Arabischen).

5.3 Zahlen

Viele Sprachen verwenden inzwischen die europäisch-arabischen dezimalen Ziffern, sogar Sprachen, die nicht das lateinische Alphabet verwenden. Aber diese Sprachen verwenden diese Ziffern auf verschiedene Weise. Die wichtigsten Unterschiede liegen in der Abtrennung der Kommastellen und in der Gruppierung der Ziffern bei großen Zahlen.

Im Deutschen verwendet man in der ersten Funktion (als Dezimaltrenner) das Komma (,) und in der zweiten den Punkt (.). Die Zahl "zehn Millionen ein Viertel" wird also als "10.000.000,25" geschrieben. Die Gruppierung kann fehlen, fasst aber immer je drei Ziffern zusammen.

Zur Abtrennung der Kommastellen (Bruchstellen) wird auch der Punkt verwendet, zum Beispiel im Englischen und Japanischen. Dann ist natürlich ein anderes Symbol für die Gruppierung erforderlich, gewöhnlich das Komma; Punkt und Komma tauschen also die Rollen. Aber es gibt auch andere Kombinationen; in der Schweiz verwendet man den Apostroph zur Gruppierung (und das Komma zur Abtrennung). Auch das Leerzeichen wird zur Gruppierung verwendet.

Die Regeln zur Abtrennung und Gruppierung sind einfach. Es genügt zu wissen, welche beiden Symbole eine Sprache dazu verwendet.

Größere Zahlen in Worten (Zahlwörter) treten in Rechnerprogrammen fast nicht auf. Frührer wurden sie auf maschinell ausgestellten Schecks benutzt, jetzt jedoch fast nicht mehr.

5.4 Datumsangaben

Für die Internationalisierung ist es wichtig, dass Programme nie selbst ein Datum in eine lesbare Darstellung verwandeln, sondern dazu eine Bibliotheksfunktion (Rahmen) verwenden, die weiß, in welcher Form der Benutzer ein Datum dargestellt haben will.

Ein besonderes Problem stellt die Existenz verschiedener Zeitzonen auf der Erde dar. Man muss unterscheiden zwischen echten Datumsangaben (die einen festen Tag angeben und von Zeitzonen unabhängig sind) und Zeitangaben (die eine bestimmte Tageszeit angeben und daher je nach Zeitzone variieren können). Beispiele:

• Der Neujahrstag ist der 1. Januar. Diese Angabe hängt nicht von der Zeitzone ab.
• Anfang Mai 2004 fand eine Mondfinsternis statt, deren Maximum nach mitteleuropäischer Sommerzeit am 4. Mai um 22:30 Uhr war. Nach Moskauer Zeit war sie am 5. Mai um 0:30 Uhr, also an einem anderen Tag.

In der Geschäftswelt sind Feiertage ein Beispiel für den ersten Fall (Datum), vereinbarte Termine (z. B. Telefonkonferenz) für den zweiten Fall (Zeitangabe).

5.5 (Tages-)Zeiten

Zeitangaben bestehen normalerweise aus Stunden und Minuten, manchmal auch Sekunden. Gewöhnlich schreibt man zumindest die Minuten immer mit zwei Ziffern. Trennzeichen ist häufig der Doppelpunkt (:).

Es gibt jedoch die Unterscheidung zwischen dem Zwöf-Stunden-System, das vor allem in den USA verwendet wird, und dem 24-Stunden-System der anderen Länder (wo das Zwöf-Stunden-System nur im informellen Gespräch verwendet wird): Das Zwöf-Stunden-System erfordert zur eindeutigen Zeitangabe eine Unterscheidung zwischen den beiden zwölfstündigen Tageshälften. In den USA unterscheidet man zwischen den Stunden von 00:00:00 bis 11:59:59 (vormittags, lateinisch ante meridiem, abgekürzt "am") und den Stunden von 12:00:00 bis 23:59:59 (nachmittags, lateinisch post meridiem, abgekürzt "pm"). Eine weitere Schwierigkeit ist, dass die Stunde zwischen 00:00:00 und 00:59:59 als "0" geschrieben wird, dagegen die Stunde zwischen 12:00:00 und 12:59:59 als "12".

Auch hier gilt, dass Programme die Darstellung von Uhrzeiten einer Bibliotheksfunktion überlassen müsen.

5.6 Alphabetische Ordnung

Der ASCII-Kode ordnet die Buchstaben nach ihrer alphabetischen Reihenfolge an. Daher kann man dort zwei Buchstaben vergleichen, indem man ihre ASCII-Werte voneinander abzieht. Beispiel: "G=71", "K=75", 75−71 ist positiv, also kommt "K" hinter "G".

Dieser einfache Algorithmus funktioniert nicht einmal für das Englische, wenn Großbuchstaben (A–Z) und Kleinbuchstaben (a–z) vorkommen. In ASCII stehen nämlich die Großbuchstaben vor allen Kleinbuchstaben. Man muss also die Großbuchstaben gesondert behandeln. Früher war es üblich, zur alphabetischen Ordnung (Sortierung) alles in Kleinbuchstaben umzuwandeln; das geschah durch Addition von 32 (A=65, a=97 usw.). Oder, noch einfacher, man setzte das Bit für "32" auf "1".

Diese Methode funktioniert natürlich nicht, wenn eine Sprache Nicht-ASCII-Zeichen hat. Sie funktioniert nicht einmal für ASCII-Zeichen, wenn eine Sprache spezielle Sortierregeln für solche Zeichen hat. Hier einige Beispiele:

• Die spanische Sprache ordnet die Buchstabenkombination "ll" (Doppel-"l") hinter dem "l" und die Kombination "ch" hinter dem "c" ein. Man ordnet zu Beispiel so: "cura" / "champán" / "luna" / "llave".
• Die tschechische Sprache ordnet "ch" hinter "h" ein. Man ordnet zu Beispiel so: "hydrant" / "chirurg" / "ikona".

Hier einige Regeln für Nicht-ASCII-Buchstaben:

• Das Schwedische ordnet den Buchstaben "ä" hinter "z" (und "å") ein; das Deutsche dagegen wie "a" in Lexika und wie "ae" in Telefonbüchern.
• Im Tschechischen ist ein Hatschek (Haken) auf einem Vokal ohne Bedeutung für die Sortierung; "e" und "ĕ" werden gleich eingeordnet. Ein Hatschek auf einem "c" oder "s" dagegen macht aus diesem einen eigenen Buchstaben, der hinter "c" bzw. "s" kommt: "cylindr" / "čaj" / "dáma".
• Im Rumänischen sind auch bei Vokalen "a" und "ă" verschiedene Buchstaben mit eigener Sortierung: "cazarmă" / "că" / "cădea".
• Im Deutschen wird der Buchstabe "ß" wie die Kombination "ss" sortiert: "muss" / "Muße" / "musste".

Die Unterschiede zwischen Buchstaben und ihre Bedeutung für die alphabetische Ordnung lassen sich folgendermaßen einteilen:

• Unterschiede der ersten Stufe (primäre Unterschiede) haben die höchste Bedeutung. Der erste solche Unterschied zwischen zwei Wörtern entscheidet über die alphabetische Reihenfolge. Ein Beispiel sind die Unterschiede zwischen verschiedenen Buchstaben des lateinischen Grundalphabets: "a" und "g" unterscheiden sich auf der ersten Stufe. In manchen Sprachen sind auch andere Unterschiede auf der ersten Stufe: im Rumänischen etwa der Unterschied zwischen "a" und "ă".
• Unterschiede der zweiten Stufe wirken sich aus, wenn zwei Wörter sich auf der ersten Stufe nicht unterscheiden. Dann entscheidet der erster Unterschied auf der zweiten Stufe über die Ordnung. Ein Beispiel ist der Unterschied zwischen "e" und "é" im Tschechischen oder zwischen "a" und "ä" im Deutschen.
• Unterschiede auf der dritten Stufe kommen zur Wirkung, wenn sich zwei Wörter weder auf der ersten noch auf der zweiten Stufe unterscheiden. Ein solcher Unterschied ist in vielen Sprachen der Unterschied zwischen Klein- und Großbuchstaben.

Man kann eine weitere Stufe für Satzzeichen einführen, wenn sie in Wörtzern oder um Wörter herum auftreten (Bindestrich, Anführungszeichen). Die Stufen der Unterschiede sind sprachabhängig. Sogar ob links stehende Unterschiede mehr Bedeutung als rechts stehende haben oder umgekehrt, ist sprachabhängig.

Zu den Einzelheiten existiert ein (englischer) Artikel des Unicode-Konsortiums:

5.7 Groß- und Kleinschreibung

Das lateinische Alphabet existiert in zwei Varianten: Großbuchstaben (A-Z) und Kleinbuchstaben (a-z). In bestimmten Situationen ist eine Umwandlung zwischen Groß- und Kleinbuchstaben notwendig. Der einfachste Fall ist, dass man am Anfang eines Satzes groß schreibt. Zur alphabetischen Ordnung ignoriert man den Unterschied und wandelt zum Beispiel alles in Großbuchstaben um.

In ASCII ist es einfach, zwischen Groß- und Kleinbuchstaben umzuwandeln: Es genügt, zum Kode-Wert einfach 32 zu addieren bzw. abzuziehen. In Unicode gibt es nicht nur unterschiedliche Differenzen zwischen den Kode-Werten von Groß- und Kleinbuchstaben, es gibt nicht einmal immer eine eindeutige Beziehung zwischen Groß- und Kleinbuchstaben. Ein Beispiel ist die deutsche Sprache, bei der "ß" in Großbuchstaben zu "SS" wird. Diese Umwandlung kann man nicht einfach umkehren, da "SS" in Kleinbuchstaben auch zu "ss" werden kann (FUSS Fuß, FLUSS Fluss). In nicht-lateinischen Alphabeten fehlt die Unterscheidung zwischen Groß- und Kleinbuchstaben.

5.8 Auswahl einer Sprache

Benutzer müssen einem Programm mitteilen, in welcher Sprache sie es bedienen wollen. Dabei erhebt sich die Frage, wie man eine Sprache auswählt und wie eine ausgewählte oder auswählbare Sprache angezeigt wird. Hier sind verschiedene Möglichkeiten gebräuchlich:

• In WWW-Seiten werden Sprachen oft durch die Flaggen von Ländern angezeigt, in denen diese Sprachen gesprochen werden. Das ist problematisch, weil es Länder mit mehreren Sprachen und Sprachen mit mehreren Ländern gibt.
• Manchmal werden die Sprachen in einer zentralen Sprache angeboten, deren Kenntnis vorausgesetzt wird, zum Beispiel Englisch. Das widerspricht dem Ziel der Internationalisierung, mit dem Benutzer in dessen Sprache zu sprechen.
• Oft werden Sprachen so dargestellt, dass jede Sprache in der Sprache selbst bezeichnet wird. Dahinter steckt der Gedanke, dass man eine Sprache, die man nicht versteht, ohnehin nicht auswählt. Andererseits ist sichergestellt, dass man die Anzeige der eigenen Sprache immer versteht. Diese Methode verwendet zum Beispiel die Internet-Enzyklopädie Wikipedia.
• Sprachen können exakt festgelegt werden durch ihren nach ISO 639 genormten Kode. Diese Norm legt zwei- und drei-buchstabige Kodes für Sprachen fest. Auch wenn man vom Benutzer vielleicht die Kenntnis dieser Kodes nicht verlangen will, sind sie doch für die Verwendung im Rechner sehr gut geeignet. Sie erlauben auch die Unterscheidung landesspezifischer Sprach-Varianten durch das Anhängen eines Landeskodes nach ISO 3166: "fr_CH" bedeutet die schweizerische Variante des Französischen.

Zusammenfassend kann man empfehlen, dem Benutzer Sprachennamen in der jeweiligen Sprache anzuzeigen und innerhalb des Rechners die Kodes nach ISO 639 zu verwenden.

5.9 Abschließende Bemerkung

Die behandelten Probleme zeigen, dass man viele Dinge berücksichtigen muss, um ein Programm wirklich gut zu internationalisieren. Andererseits treten in der Praxis weniger Probleme auf, als man vielleicht annehmen würde. Der Grund dafür ist, dass Rechnerprogramme keine dichterische Sprache oder hochgestochene Prosa verwenden, sondern eher einfache Sprache, und dass viele Texte konstant sind und keine variablen Elemente enthalten.

Beispielfragen:

• Wie unterscheidet sich die Darstellung von Zahlen in verschiedenen Sprachen?
• Warum kann man nicht für alle Sprachen dieselbe Methode (Algorithmus) zur alphabetischen Sortierung benutzen?
• Wozu wandelt man Kleinbuchstaben in Großbuchstaben um?
• Wie schreibt man in Europa die Zeitangabe, die man in den USA als "3:45 pm" schreibt?
• Wie unterscheidet man am besten Sprachen innerhalb des Rechners?
• Wie zeigt man am besten verschiedene Sprachen an, zwischen denen der Benutzer auswählen kann?
• Wo kann unterschiedliche Wortstellung in Sprachen ein Problem sein?