merkkikoodaukseen

Merkkikoodaus on järjestelmä, jonka avulla merkkijonot voidaan tallentaa ja siirtää bittijonona sekä palauttaa takaisin merkeiksi. Se yhdistää merkkijoukon ja koodausmuodon sekä tiedon siitä, miten merkit esitetään bitteinä. Yleisesti erotetaan kaksi käsitettä: merkkijoukko määrittelee, mitkä merkit ovat mahdollisia (esim. ASCII, ISO-8859-1, Unicode), kun taas merkkikoodaus määrittelee, miten nämä merkit koodataan bittijonona. Unicode on laajasti käytetty merkkijoukko, ja sen koodausmuotoja ovat UTF-8, UTF-16 ja UTF-32. ASCII on pienempi, 7-bittinen merkkijoukko, joka kuuluu Unicode-alueen alijoukkoon.

Koodauksessa merkit esitetään koodipisteinä, joita vastaa tavujono. Esimerkiksi UTF-8 on muuttuvapituinen: yksi–neljä tavua per merkki; ASCII-merkit voidaan esittää yhdellä tavulla. UTF-16 voi olla endian-sidoksellinen, ja joissain yhteyksissä siihen liittyy myös Byte Order Mark (BOM). Koodauksen valinta vaikuttaa tallennuksen tilaan, siirtoihin ja mahdolliseen yhteensopivuuteen.

Käyttökonteksteja ovat verkkosivustot, sähköposti, tiedostot ja tietokannat. Ongelmia syntyy, kun järjestelmät käyttävät eri koodauksia, jolloin merkit voivat näkyä väärin (mojibake). Siksi koodaus on ilmoitettava ja säilytettävä yhtenäisenä: esimerkiksi HTTP-otsikon Content-Type: text/html; charset=UTF-8 tai tiedoston tallennus UTF-8 -koodauksella. Suositeltavaa on käyttää Unicodea ja ensisijaisesti UTF-8-koodausta, jolloin yhteensopivuus paranee ja laajennettavuus kasvaa.