charset

Charset to ustawienie określające zestaw znaków wykorzystywany do kodowania treści wiadomości lub dokumentu.

Charset a kodowanie znaków w praktyce

Charset to określenie zestawu znaków, które mogą występować w tekście, oraz sposobu ich reprezentowania w danych cyfrowych. W dokumentach internetowych termin ten bywa używany jako skrót myślowy dla kodowania znaków, chociaż technicznie zestaw znaków i kodowanie nie są tym samym. Zestaw znaków opisuje dostępne symbole i przypisane im wartości, natomiast kodowanie określa, jak te wartości są zapisywane jako bajty. Przykładowo Unicode obejmuje znaki wielu alfabetów, a UTF-8 jest jednym ze sposobów zapisania znaków Unicode w postaci sekwencji bajtów.

Najczęściej spotykanym kodowaniem współczesnych stron internetowych jest UTF-8. Jest to kodowanie o zmiennej długości: podstawowe znaki alfabetu łacińskiego, cyfry i część znaków sterujących zajmują po jednym bajcie, a inne znaki wymagają od dwóch do czterech bajtów. Polskie litery, takie jak ą, ć, ę, ł, ń, ó, ś, ź i ż, są w UTF-8 zapisywane za pomocą więcej niż jednego bajtu. Dzięki temu jeden dokument może zawierać jednocześnie tekst polski, cyrylicę, alfabet grecki, znaki azjatyckie i symbole matematyczne.

Gdzie aplikacja przekazuje informację charset

W dokumencie HTML informację o kodowaniu zwykle umieszcza się w sekcji head za pomocą elementu <meta charset="UTF-8">. Deklaracja powinna znajdować się możliwie wcześnie, ponieważ przeglądarka może rozpocząć analizowanie dokumentu jeszcze przed odczytaniem jego dalszej części. Dla dokumentów HTML standard przewiduje zapis nazwy kodowania w atrybucie charset, a wartość UTF-8 wskazuje kodowanie Unicode używane do interpretacji bajtów treści.

Drugim ważnym miejscem jest nagłówek HTTP Content-Type. Serwer może przesłać stronę jako text/html; charset=UTF-8, a plik tekstowy jako text/plain; charset=UTF-8. Przeglądarka bierze pod uwagę te informacje podczas dekodowania odpowiedzi. W przypadku poczty elektronicznej parametr charset może wystąpić w nagłówku MIME, na przykład przy części wiadomości oznaczonej jako text/plain lub text/html. Program pocztowy musi znać zarówno typ danych, jak i kodowanie znaków, aby poprawnie wyświetlić treść wiadomości.

Objawy niezgodnego zestawu znaków

Jeżeli plik został zapisany w jednym kodowaniu, a program odczytuje go w innym, pojawia się tak zwany mojibake, czyli zniekształcony tekst. Polskie znaki mogą wtedy zostać zastąpione ciągami w rodzaju „Ä™” albo pojedynczymi znakami zapytania. Taki objaw nie oznacza zwykle uszkodzenia samego dysku. Częściej wskazuje na rozbieżność między kodowaniem użytym podczas zapisu a kodowaniem przyjętym podczas odczytu, przesyłania lub wyświetlania danych.

Przykładowym źródłem problemu jest zapis pliku w Windows-1250, a następnie otwarcie go jako UTF-8. Windows-1250 to jednobajtowe kodowanie używane między innymi dla wielu znaków alfabetu środkowoeuropejskiego, natomiast UTF-8 interpretuje bajty według innej reguły. Podobna sytuacja może wystąpić po skopiowaniu danych z programu korzystającego z lokalnego kodowania do aplikacji oczekującej Unicode. Przy diagnozie należy sprawdzić właściwości pliku, deklarację HTML, nagłówki HTTP oraz ustawienia importu i eksportu w programie, który przetwarza tekst.

Sprawdzanie charset w plikach i przeglądarce

Kontrolę można rozpocząć od ustalenia, w jakim kodowaniu zapisano konkretny plik. Edytory tekstu często pokazują tę informację na pasku stanu lub w oknie zapisu. Warto sprawdzić, czy plik HTML zawiera deklarację <meta charset="UTF-8"> oraz czy serwer wysyła zgodny nagłówek Content-Type. Jeżeli te wartości wskazują różne kodowania, przeglądarka może zastosować inne reguły interpretacji niż autor dokumentu. Samo dodanie deklaracji do pliku nie naprawi jednak tekstu, który wcześniej został zapisany z błędnymi znakami; w takim przypadku potrzebna jest konwersja z właściwego kodowania albo odtworzenie danych ze źródła.

Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC oraz podzespołów, a w ramach diagnostyki oprogramowania można również sprawdzić problemy z wyświetlaniem polskich znaków, otwieraniem plików tekstowych i interpretacją stron internetowych. Prawidłowa ocena wymaga ustalenia, czy błąd występuje tylko w jednej aplikacji, w konkretnym pliku, czy we wszystkich dokumentach i witrynach. Taki zakres objawów pomaga odróżnić niezgodny charset dokumentu od błędnej konfiguracji programu, uszkodzonego profilu użytkownika lub problemu z samą treścią.