Unicodekódolás

Unicodekódolás a számítógépes rendszerekben használt egységes karakterkészlet kódolását jelenti. A Unicode célja, hogy minden írásjegyet, szimbólumot és emoji-t egyetlen kódszámmal azonosítson, így a különböző nyelvek közötti adatcsere kiegyensúlyozott legyen. A kódpontok U+0000-tól U+10FFFF-ig terjednek, és a felhasználó‑nyelvfüggetlen reprezentáció megkönnyíti a text feldolgozását és megjelenítését.

A leggyakoribb kódolási formák a UTF‑8, UTF‑16 és UTF‑32. A UTF‑8 változó hosszúságú: 1–4 bájtból áll, és részben ASCII-kompatibilis, mivel az U+0000–U+007F karakterek egyetlen bájton kódolódnak. A UTF‑16 2‑ vagy 4‑bájtos egységekben tárol, a magasabb kódpontokat surrogates párokkal képviselve; endianness (little vagy big endian) és a BOM használata is releváns lehet. A UTF‑32 minden kódpontot 4 bájtban tárol, egyszerű hozzáférést biztosít, de memóriaigényesebb.

Fontos kiegészítések közé tartoznak a normalizációs formák (NFC, NFD, NFKC, NFKD), amelyek az ugyanolyan jelentésű karakterek egységes ábrázolását biztosítják. A kódpontok és síkok fogalma: a BMP (U+0000–U+FFFF) mellett kiegészítő síkok (U+10000–U+10FFFF) tartalmazzák a ritkább és történetileg kevésbé használt karaktereket. Emoji és kombinált karakterek gyakori példák erre.

Előnyök között szerepel a platformfüggetlenség és az interoperabilitás, míg kihívások lehetnek a végrehajtás és keresés hatékonysága, a normalizáció világos kezelése és a potenciális biztonsági kérdések a canonical equivalence vagy homograph támadások miatt.