enkoodauksia

Enkoodaukset (enkoodaukset) ovat järjestelmiä, joiden avulla merkkijonot muunnetaan tietokoneiden käsiteltäviin tavuihin ja takaisin. Ne määrittelevät, miten kukin merkki esitetään binäärijonona sekä miten monimutkaisemmat merkit koodataan useammalla kuin yhdellä tavulla. Eri ohjelmistot, tiedostot ja verkkopalvelut voivat käyttää eri enkoodausta, mikä voi johtaa tulosten väärin­tulkkaukseen, jos koodaukset eivät ole yhteensopivia.

Yleisimmät enkoodaukset ovat ASCII, ISO-8859-1 (Latin-1) ja Windows-1252 sekä Unicode-pohjaiset UTF-8, UTF-16 ja UTF-32. ASCII on 7-bittinen ja kattaa vain perusmerkit; Latin-1 ja Windows-1252 laajentavat tukea länsieurooppalaisiin merkkihypoteeseihin. UTF-8 on muuttujapituinen ja kykenee esittämään koko Unicode-merkkijoukon siten, että ASCII-merkit näkyvät samankaltaisina; UTF-16 ja UTF-32 käyttävät 2–4 tavun yhdistelmiä per merkki ja niihin liittyy endianness-epävarmuuksia sekä mahdollinen BOM-merkkijono.

Unicode on laaja standardi merkkijoukko, joka pyrkii kattamaan lähes kaikki kirjoitetut merkit. Unicode-koodipisteet (U+0000… U+10FFFF) voidaan esittää eri enkoodauksilla; käytetyin on UTF-8, joka on yhteensopiva ASCII:n kanssa ja soveltuu sekä tiedostojen tallentamiseen että verkkosisältöön.

Käytännössä on tärkeää määritellä käytetty enkoodaus sekä tiedostoissa että protokollissa (esim. Content-Type: text/html; charset=UTF-8). Väärä enkoodaus voi johtaa garbled-tekstin ilmestymiseen. Parhaat käytännöt ovat käyttöönotto UTF-8:ää ja järjestelmän säännöllinen testaaminen sekä merkkistäminen ja normalisointi.