Lowercasekonvertering

Lowercasekonvertering er prosessen der bokstaver i en tekst gjøres om til små bokstaver. Målet er å gjøre tekst mer ensartet og enklere å behandle i søk, indeksering og språkbehandling. Moderne tekstbehandlingssystemer bruker Unicode for å støtte et bredt spekter av språk og skriftformer, slik at konverteringen fungerer på tvers av landegrenser og tegnsett.

Det finnes to hovednivåer: enkel lower-case og casefolding. Enkel lower-case følger Unicode-kartleggingen og konverterer bokstaver til små bokstaver i de fleste tilfeller. Casefolding er mer omfattende og er ment for språk-uavhengig sammenligning, slik at man oppnår like resultater på tvers av språk og skriftverk. Valg mellom disse metodene avhenger av hva som er viktig i den aktuelle applikasjonen, for eksempel presisjon i tekstsøk versus normalisering for menneskelig lesbarhet.

Locale-sensitivitet spiller også en rolle. I tyrkisk kan konvertering av I til i kreve bruk av tyrkisk lokalitet, hvor I blir til ı og İ til i. Slike regler kan være avgjørende i søk og tekstgjenkjenning. I praksis bruker man ofte standard Unicode-mapping for generelle behov, og aktiverer locale- eller casefolding-tilnærminger når presisjon er viktig. Det kan også oppstå historiske eller språkspesifikke forskjeller rundt tegn som ß eller ligaturer.

Implementering og ytelse: Lowercasekonvertering skjer i lineær tid med tekstlengden, og krever minne for å holde resultatet. Det anbefales å bruke innebygde Unicode-biblioteker i programmeringsspråket man bruker, og å velge casefolding når formålet er å gjøre strengsammenligning robust mot språkvariasjoner.