prawidłowy encoding treści (UTF-8)

Kodowanie UTF-8 zapewnia poprawne wyświetlanie polskich znaków niezależnie od klienta pocztowego odbiorcy.

UTF-8 jako sposób zapisu znaków w treści

Prawidłowy encoding treści oznacza, że tekst został zapisany i odczytany przy użyciu tego samego kodowania znaków. UTF-8 jest kodowaniem Unicode, czyli standardem pozwalającym reprezentować znaki używane w wielu językach, w tym polskie litery: ą, ć, ę, ł, ń, ó, ś, ź i ż. W odróżnieniu od starszych, ograniczonych stron kodowych UTF-8 może przechowywać znaki alfabetu łacińskiego, cyrylicy, greki, alfabetów azjatyckich oraz wiele symboli w jednym spójnym systemie.

UTF-8 koduje znaki za pomocą od jednego do czterech bajtów. Znaki ASCII, takie jak podstawowe litery alfabetu angielskiego, cyfry i część znaków interpunkcyjnych, zajmują po jednym bajcie. Polskie znaki diakrytyczne są zapisywane za pomocą dwóch bajtów. Taki sposób kodowania zachowuje zgodność z tekstem ASCII, ale jednocześnie umożliwia prawidłową obsługę pełnego zakresu znaków Unicode. Samo użycie UTF-8 nie zmienia treści tekstu; określa wyłącznie sposób jej reprezentacji w pliku, bazie danych albo transmisji.

Jak dochodzi do zniekształcenia polskich znaków

Nieprawidłowe wyświetlanie treści zwykle wynika z rozbieżności między kodowaniem użytym podczas zapisu a kodowaniem zastosowanym podczas odczytu. Jeżeli tekst zapisany jako UTF-8 zostanie potraktowany jako Windows-1252 albo ISO-8859-1, polskie znaki mogą zostać pokazane jako ciągi niezrozumiałych symboli. Typowym przykładem jest pojawienie się znaków takich jak „ó” zamiast „ó” albo „Ä™” zamiast „ę”. Jest to skutek błędnej interpretacji bajtów, a nie uszkodzenia samego alfabetu.

W wiadomości e-mail informacja o kodowaniu powinna być przekazana razem z typem zawartości. Dla części tekstowej wiadomości używa się nagłówka MIME, na przykład Content-Type: text/plain; charset=UTF-8, natomiast dla wiadomości HTML odpowiednia jest wartość Content-Type: text/html; charset=UTF-8. Oprogramowanie odbiorcy korzysta z parametru charset, aby wiedzieć, jak zamienić odebrane bajty na znaki. Jeżeli nagłówek jest nieobecny, błędny albo sprzeczny z rzeczywistym kodowaniem danych, klient pocztowy może wyświetlić tekst niepoprawnie.

Spójność kodowania w wiadomościach HTML i formularzach

Wiadomość HTML powinna mieć poprawnie ustawione kodowanie zarówno w nagłówkach przesyłanej części MIME, jak i w samej strukturze dokumentu. W dokumencie HTML można zastosować deklarację <meta charset="UTF-8">. Taka deklaracja informuje przeglądarkę, jak interpretować zawartość dokumentu, ale nie zastępuje poprawnego zapisu pliku oraz prawidłowych nagłówków odpowiedzi HTTP lub części MIME. Wszystkie te elementy powinny wskazywać to samo kodowanie.

Problem może powstać również wtedy, gdy tekst jest poprawnie odebrany, lecz po drodze zapisany w innym systemie. Dotyczy to edytorów, skryptów generujących wiadomości, baz danych, plików CSV i formularzy kontaktowych. Przy zapisie danych trzeba ustalić, czy program pracuje na znakach Unicode, a przy eksporcie sprawdzić, czy wynikowy plik jest zapisany jako UTF-8. W przypadku formularza przeglądarka wysyła wartości zgodnie z deklaracją strony i ustawieniami aplikacji, dlatego niezgodność między formularzem, serwerem i bazą danych może prowadzić do zastępowania znaków znakami zapytania albo do pojawienia się krzaka znaków.

Warto rozróżnić błąd wyświetlania od utraty danych. Jeżeli źle odczytane bajty nadal są dostępne, tekst można czasem odzyskać przez ponowne zinterpretowanie go jako UTF-8. Jeżeli jednak podczas zapisu znak został zastąpiony znakiem zapytania lub innym symbolem, pierwotna informacja mogła zostać bezpowrotnie utracona. Dlatego kontrola kodowania powinna obejmować cały przepływ: utworzenie treści, zapis, generowanie wiadomości, transmisję, odebranie oraz wyświetlenie.

Praktyczne sprawdzenie poprawnego odczytu tekstu

Podczas diagnostyki należy wysłać wiadomość testową zawierającą polskie znaki w temacie, zwykłym tekście i treści HTML. Przykładowy zestaw może zawierać zdanie „Zażółć gęślą jaźń”, ponieważ wykorzystuje ono wiele polskich znaków diakrytycznych. Następnie trzeba porównać rezultat w kilku miejscach: w webmailu, w zainstalowanym kliencie pocztowym oraz po zapisaniu wiadomości jako pliku. Jeżeli błąd występuje tylko w jednym programie, przyczyną może być jego konfiguracja lub sposób interpretowania brakującego nagłówka.

W pliku HTML można sprawdzić deklarację charset, a w wiadomości e-mail nagłówki MIME, w tym Content-Type i parametr charset. Przydatne jest także otwarcie pliku w edytorze pokazującym bieżące kodowanie oraz porównanie reprezentacji tekstu przed i po zapisaniu. Należy unikać wielokrotnego konwertowania tego samego pliku bez kopii oryginalnej, ponieważ każda konwersja wykonana z błędnym źródłowym kodowaniem może utrwalić zniekształcenia.

Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC i podzespołów, a w ramach diagnostyki może sprawdzić problemy z wyświetlaniem polskich znaków w systemie, przeglądarce, programie pocztowym lub aplikacji użytkowej. Prawidłowa ocena wymaga ustalenia, na którym etapie pojawia się niezgodność: podczas tworzenia treści, zapisu pliku, wysyłania wiadomości czy jej odczytu. Dopiero wtedy można dobrać właściwą konwersję albo poprawić ustawienia programu bez zmieniania treści, która została już zapisana prawidłowo.