Tekencodering

Hoewel we tekstdocumenten bekijken als regels tekst, zien computers ze in werkelijkheid als binaire gegevens, oftewel een reeks enen en nullen. Daarom moeten de tekens in een tekstdocument worden weergegeven door numerieke codes. Om dit mogelijk te maken, wordt de tekst opgeslagen met een van verschillende typen tekencodering.

De populairste typen tekencodering zijn ASCII en Unicode. Hoewel ASCII nog steeds door bijna alle teksteditors wordt ondersteund, wordt Unicode vaker gebruikt omdat het een grotere tekenset ondersteunt. Unicode wordt vaak gedefinieerd als UTF-8, UTF-16 of UTF-32, die verwijzen naar verschillende Unicode-standaarden. UTF staat voor "Unicode Transformation Format" en het getal geeft het aantal bits aan dat wordt gebruikt om elk teken weer te geven. Sinds de begintijd van computers worden tekens weergegeven door ten minste één byte (8 bits). Daarom slaan de verschillende Unicode-standaarden tekens op in veelvouden van 8 bits.

Hoewel ASCII en Unicode de meest voorkomende typen tekencodering zijn, kunnen ook andere coderingsstandaarden worden gebruikt om tekstbestanden te coderen. Er bestaan bijvoorbeeld verschillende taalgebonden coderingsstandaarden, zoals Westers, Latijns-Amerikaans, Japans, Koreaans en Chinees. Hoewel westerse talen vergelijkbare tekens gebruiken, hebben oosterse talen een volledig andere tekenset nodig. Een Latijnse codering zou daarom niet de symbolen ondersteunen die nodig zijn om een tekstuele tekenreeks in het Chinees weer te geven. Gelukkig ondersteunen moderne standaarden zoals UTF-16 een tekenset die groot genoeg is om zowel westerse als oosterse letters en symbolen weer te geven.