Unicode je jednotný seznam všech znaků, které se na světě píšou, a UTF-8 je nejrozšířenější způsob, jak tyto znaky uložit do souboru. Počítač totiž nezná písmena, zná jen čísla – každému znaku proto musí být přiděleno nějaké číslo. Unicode je ta velká společná tabulka, která říká, které číslo patří kterému znaku.
Dřív žádná společná tabulka neexistovala. Každý jazyk a každý výrobce měl svoji vlastní – jednu pro češtinu ve Windows, jinou pro češtinu v DOSu, další pro řečtinu. Když se text přenesl někam, kde platila jiná tabulka, čísla se přečetla podle špatného klíče a místo „č" a „ř" se objevily patvary jako ÄŤ nebo Å™. Přesně odtud pochází známé „rozsypané háčky a čárky", které dodnes občas potkáte ve starých e-mailech.
Unicode tenhle zmatek ukončil: obsahuje latinku, azbuku, řečtinu, čínské znaky, matematické symboly – a také emoji, protože i usmívající se obličejík je pro počítač jen další znak s přiděleným číslem. Proto se emoji dají napsat prakticky kamkoli, do e-mailu i na web.
V praxi se o Unicode staráte hlavně tím, že všude držíte stejné kódování UTF-8. Týká se to tří míst:
- Stránky webu – v HTML kódu má být uvedeno, že jde o UTF-8. Bez toho prohlížeč hádá a někdy hádá špatně.
- Databáze – texty uložené v databázi musí být ve stejném kódování jako web, jinak se diakritika rozbije při zobrazení.
- Soubory a e-maily – i textový soubor nebo odeslaná zpráva nesou informaci o svém kódování.
Nejčastěji se problém projeví při stěhování webu jinam nebo při obnově ze zálohy: web najednou vypadá jako změť podivných znaků. Neztratila se data, jen se stará databáze načetla podle jiného klíče. Řešením je export i import provést ve stejném kódování. Když si nejste jistí, napište nám přes kontakt a přenos zkontrolujeme.
Malá zvláštnost se týká domén. Ty samotné se v internetu přenášejí jen v základní anglické abecedě, takže háčky a čárky v adrese fungují díky zvláštnímu přepisu zvanému IDN: doména se na pozadí zapíše jako řetězec začínající xn-- a prohlížeč ji uživateli ukáže hezky s diakritikou.