Charsettunniste

Charsettunniste on tiedon tunniste, joka kertoo käytettävän merkkijärjestelmän, eli miten bytes tulkitaan merkeiksi. Charsettunnisteen avulla ohjelmat voivat riippumatta ympäristöstä tulkita ja esittää tekstiä oikein sekä siirtää tietoa järjestelmästä toiseen.

Charsettunnisteet ovat standardoituja IANA-merkistörekisterissä. Yleisimpiä ovat UTF-8, ISO-8859-1 (Latin-1), Windows-1252 ja UTF-16. UTF-8 on laajasti käytössä webissä ja API-rajapinnoissa, koska se tukee kaikkia Unicode-merkkiryhmiä ja on taaksepäin yhteensopiva ASCII:n kanssa.

Käyttö ja käytännöt: charsettunniste voidaan ilmoittaa HTTP-otsikossa esimerkiksi Content-Type: text/html; charset=UTF-8, HTML-dokumentin meta-tunnisteessa <meta charset="UTF-8"> sekä XML-dokumentin prologin encoding="UTF-8" -määritteessä. Myös sähköpostin MIME-osat käyttävät charset-tunnistetta. Oikea charsettunniste varmistaa merkkien oikean tulkinnan ja estää mojibake-virheitä.

Haasteet ja huomioitavat seikat: nimeämiskäytännöt voivat poiketa eri järjestelmissä (esim. UTF-8 vs. utf8 -aliasit), UTF-16:ssa voi olla endianness-ongelmia (UTF-16BE/UTF-16LE), ja joskus BOM voi vaikuttaa tulkintaan. Yleisesti suositellaan käyttämään UTF-8:ää internetin liikenteessä, sillä se tarjoaa parhaan yhteensopivuuden ja tukee kaikkia nykyisiä merkkejä. IANA-merkistökirjasto määrittelee sallittujen tunnisteiden sarjan ja niiden yleisimmät nimet.