tegnsettkompatibilitet

Tegnsettkompatibilitet refererer til evnen til ulike datasystemer, programmer og nettverk å vise, lagre og overføre tekst på en konsekvent måte uavhengig av plattform eller språk. Kjernen er bruk av et felles tegnsett og en bestemt koding (encoding). Historisk har systemer brukt ulike koder som ASCII, ISO-8859-1 og Windows-1252, mens moderne løsninger baserer seg på Unicode. Unicode gir plass til de fleste språk og symboler, og UTF-8 er i praksis den mest utbredte koding for nettsider og programvare.

Problemsituasjoner oppstår når tegnsett ikke er ens i hele behandlingskjeden: data som lagres i én koding og leses i en annen fører ofte til mojibake eller feil tegn. Dette gjelder filoverføringer, databasespesifikasjon, e-post og API-er. Viktige tilknyttede konsepter inkluderer bokstavnormalisering (NFC/NFD), endianness og Byte Order Mark (BOM), samt forskjeller i sortering og kolasjon i databaser.

Beste praksis for tegnsettkompatibilitet er å bruke Unicode som indre representasjon og lagre/overføre data som UTF-8 (eller UTF-16 ved behov), og eksplisitt angi encoding i kommunikasjonskanaler (for eksempel Content-Type: text/html; charset=utf-8 i HTTP, eller i e-post). Det bør også testes for tegnsettkompatibilitet på tvers av språk og enheter, og man bør unngå å konvertere mellom encodings uten nødvendig behov. Bruk av tilstrekkelige biblioteker og tydelig dokumentasjon av forventet encoding i grensesnitt er sentralt for konsistent interoperabilitet.