Kódování znaků

Zatímco textové dokumenty vnímáme jako řádky textu, počítače je ve skutečnosti vidí jako binární data neboli řadu jedniček a nul. Znaky v textovém dokumentu proto musí být reprezentovány číselnými kódy. Aby toho bylo možné dosáhnout, text se ukládá pomocí jednoho z několika typů kódování znaků.

Nejčastěji používanými typy kódování znaků jsou ASCII a Unicode. Ačkoli ASCII stále podporují téměř všechny textové editory, častěji se používá Unicode, protože podporuje větší znakovou sadu. Unicode se často definuje jako UTF-8, UTF-16 nebo UTF-32, což označuje různé standardy Unicode. UTF znamená „Unicode Transformation Format“ a číslo označuje počet bitů použitých k reprezentaci každého znaku. Od počátků výpočetní techniky jsou znaky reprezentovány alespoň jedním bajtem (8 bitů), a proto různé standardy Unicode ukládají znaky v násobcích 8 bitů.

Ačkoli ASCII a Unicode jsou nejběžnějšími typy kódování znaků, k zakódování textových souborů lze použít i jiné standardy kódování. Existuje například několik typů jazykově specifických standardů kódování znaků, například západní, latinskoamerické, japonské, korejské a čínské. Zatímco západní jazyky používají podobné znaky, východní jazyky vyžadují zcela odlišnou znakovou sadu. Latinské kódování by proto nepodporovalo symboly potřebné k reprezentaci textového řetězce v čínštině. Moderní standardy, jako je UTF-16, naštěstí podporují dostatečně velkou znakovou sadu k reprezentaci západních i východních písmen a symbolů.