====== Standard Unicode a UTF-8 ======

**Unicode** je univerzální znaková sada, která definuje unikátní číslo (tzv. **Code Point**) pro každý znak bez ohledu na platformu, program nebo jazyk. **UTF-8** je pak nejrozšířenější způsob, jakým jsou tato čísla (znaky) efektivně zapsána do [[it:math:binary|binární podoby]].

===== 1. Problém před Unicode (Babylon kódování) =====

Před nástupem Unicode existovaly stovky různých kódovacích systémů (např. ASCII, ISO-8859-2 pro střední Evropu, Windows-1250).
  * Tyto systémy byly nekompatibilní.
  * Dokument vytvořený v jednom kódování se v jiném zobrazil jako nesrozumitelná směs znaků (tzv. **Mojibake** – např. "č" se zobrazilo jako "è").
  * Bylo téměř nemožné mít v jednom dokumentu text v češtině, řečtině a japonštině zároveň.

---

===== 2. Unicode: Jedna tabulka pro všechno =====

Unicode neřeší, jak se znak uloží v bajtech, ale přiřazuje mu abstraktní číslo. 
  * Zapisuje se v hexadecimálním formátu s předponou **U+**.
  * Například: Velké písmeno **A** je `U+0041`, české **ř** je `U+0159`, a emoji **😊** je `U+1F60A`.
  * Aktuální verze Unicode obsahuje přes 140 000 znaků včetně historických písem (hieroglyfy) a symbolů.

---

===== 3. UTF-8: Geniální kódování =====

**UTF-8** (Unicode Transformation Format) je kódování s **proměnnou délkou bajtů** (1 až 4 bajty). Dnes tvoří naprostý standard na webu (přes 98 % stránek).



==== Hlavní výhody UTF-8: ====
  * **Zpětná kompatibilita s ASCII:** Prvních 127 znaků Unicode (anglická abeceda, čísla) se v UTF-8 ukládá jako 1 bajt. Staré ASCII soubory jsou tedy zároveň platnými UTF-8 soubory.
  * **Efektivita:** Pro latinku (včetně češtiny) spotřebuje méně místa než formáty jako UTF-32, které používají 4 bajty pro úplně každý znak.
  * **Samoopravná schopnost:** Struktura bajtů v UTF-8 umožňuje softwaru poznat, kde znak začíná a kde končí, i když dojde k poškození části dat.

^ Počet bajtů ^ Rozsah Code Pointů ^ Typické znaky ^
| 1 | U+0000 – U+007F | Základní latina (ASCII) |
| 2 | U+0080 – U+07FF | Evropské jazyky, diakritika (č, ř, á) |
| 3 | U+0800 – U+FFFF | Čínština, japonština, korejština |
| 4 | U+10000 – U+10FFFF | Emoji, historické symboly |

---

===== 4. Další formáty: UTF-16 a UTF-32 =====

Kromě UTF-8 existují i jiná kódování Unicode:
  * **UTF-16:** Používá 2 nebo 4 bajty. Je nativním formátem v operačním systému Windows a v programovacích jazycích Java a C#.
  * **UTF-32:** Používá fixní 4 bajty pro každý znak. Je velmi neefektivní z hlediska paměti, ale jednoduché pro výpočty (každý znak má stejnou délku).



---

===== 5. Úskalí: BOM (Byte Order Mark) =====

Některé editory (zejména na Windows) přidávají na začátek souboru neviditelný znak **BOM**. Ten má identifikovat pořadí bajtů, ale v moderním UTF-8 je často zdrojem problémů v PHP skriptech nebo při zpracování dat v Linuxu. Doporučuje se ukládat soubory jako **"UTF-8 without BOM"**.

----
//Související články://
  * [[it:sw:char|Datový typ Char]]
  * [[it:sw:data_types|Přehled datových typů]]
  * [[it:net:html|HTML a meta tagy kódování]]

//Tagy: {{tag>programming unicode utf-8 encoding internationalization text}}//