Kodowanie znaków

Chociaż postrzegamy dokumenty tekstowe jako wiersze tekstu, komputery widzą je w rzeczywistości jako dane binarne, czyli ciągi jedynek i zer. Dlatego znaki w dokumencie tekstowym muszą być reprezentowane za pomocą kodów liczbowych. Aby to osiągnąć, tekst zapisuje się przy użyciu jednego z kilku rodzajów kodowania znaków.

Najpopularniejsze rodzaje kodowania znaków to ASCII i Unicode. Chociaż ASCII jest nadal obsługiwane przez niemal wszystkie edytory tekstu, częściej używa się Unicode, ponieważ obsługuje większy zestaw znaków. Unicode jest często definiowane jako UTF-8, UTF-16 lub UTF-32, które odnoszą się do różnych standardów Unicode. UTF oznacza „Unicode Transformation Format”, a liczba wskazuje liczbę bitów używanych do reprezentowania każdego znaku. Od początków informatyki znaki są reprezentowane przez co najmniej jeden bajt (8 bitów), dlatego różne standardy Unicode zapisują znaki jako wielokrotności 8 bitów.

Chociaż ASCII i Unicode to najczęściej używane rodzaje kodowania znaków, do kodowania plików tekstowych można również używać innych standardów kodowania. Istnieje na przykład kilka rodzajów standardów kodowania znaków przeznaczonych dla określonych języków, takich jak standardy zachodnie, Latin-US, japońskie, koreańskie i chińskie. Języki zachodnie używają podobnych znaków, natomiast języki wschodnie wymagają zupełnie innego zestawu znaków. Dlatego kodowanie łacińskie nie obsługiwałoby symboli potrzebnych do reprezentowania tekstowego ciągu znaków w języku chińskim. Na szczęście nowoczesne standardy, takie jak UTF-16, obsługują wystarczająco duży zestaw znaków, aby reprezentować zarówno litery i symbole języków zachodnich, jak i wschodnich.