Tegnsæt

UTF-8

Efter adskillige års turbulens omkring tegnsæt (først et fælles, så mange sideordnede og nu igen et) er UTF-8 det første egentlige verdensomspændende tegnsæt. Derved lettes / muliggøres global kommunikation uden sorte firkanter i teksten.

UTF-8 har været til rådighed og i stigende grad anvendt siden medio 199x. Omkring årsskiftet 2012 - 2013 begyndte W3 ved HTML-validering at validere mod UTF-8. Det vil herefter være svært at argumentere for at anvende iso-8859-1 eller iso-8859-15 i nye dansksprogede hjemmesider.

UTF-8 er delt op i ca. 220 blokke (Unicode Blocks) hver med fra ca. 20 til 256 tegn. De fleste blokke indeholder tegn til et specifikt sprog eller gruppe af sprog med ligheder i tegnsæt. Dansk er indeholdt i den første blok - Basic Latin.

En halv snes blokke indeholder "ikoner" såsom valuta symboler, pile og andet.

	Omfattende oversigt over blokke og de enkelte tegn deri med krydsreference til fonte og hvilke fonte det enkelte tegn indgår i, samt visning af hvordan det skrives som enkelttegn i 11 programmeringssprog etc..
	Forholdsvis enkel (blokvis) oversigt over UTF-8 tegn.
	W3 "encoding" arb.gruppe
	Oversigt over tegn, der kan angives i HTML ved deres navn. Kræver skærm med meget stor opløsning eller skift til JSON fil.

For at kunne anvende UTF-tegnsættet skal både HTML-sider og CSS-filer helst fortælle det til browseren. Det gøres således:

I	indsættes	Bemærkninger
HTML-sider	<head> <meta charset="UTF-8" />	Bør indsættes umiddelbart efter <HTML>-taggen. Browserne leder dog vistnok i de første 1024 kar. før de begynder egentlig indlæsning af siden.
CSS-filer	@charset "UTF-8";	Det er vigtigt at mellemrummet mellem charset og " er på 1 kar.

ASCII

ASCII er det oprindelige (amerikanske) tegnsæt til computere. Det indgår i mange andre tegnsæt med de samme / oprindelige værdier. Det består af tre hoveddele:

0 - 31	Styrekarakterer
32 - 127	Printbare karakterer. Indeholder bl.a. a-z, A-Z og 0-9
128- 255	"Udvidet" ASCII

En oversigt kan ses her:

Opsætning

Når tegnsæt til et site er bestemt (in casu UTF-8) skal der foretages opsætning ganske mange steder for at være helt sikker på et godt resiltat:

Editor

Det sikres, at den valgte editor er sat op til UTF-8.

CSS

Allerøverst (fra pos. 1 på linie 1) i CSS-filer indsættes:

@charset "utf-8";
/* CSS Document */

HTML

Øverst på alle HTML-sider (oftest via 'include') indsættes:

PHP

I PHP skal php.ini være sat op med:

; PHP's default character set is set to UTF-8.
; http://php.net/default-charset
default_charset = "UTF-8"

Opkobling til MySQL

Rutinen / includen til opkobling til MySQL ('db_connect') bør også have en reference til det anvendte segnsæt:

Hele rutinen kan se sådan ud:

<?php
$host = "localhost";
$user = "root";
$password = ""; // På Mac skal password typisk være "root" også
$database = "projektnavn";
// Opret forbindelse til databasen
$db_link = mysqli_connect ($host, $user, $password, $database) or die (mysqli_error());
// Følgende linje sørger for, at du kan udskrive ÆØÅ korrekt
mysqli_query ($db_link, "SET NAMES 'utf8'");
?>

MySQL

I MySQL skal både den enkelte database, dens tabeller og disses felter sættes op med tegnsæt

Database

Databasenavn | Tegnsæt(sortering) utf8_danish_ci

Tabel

Tegnsæt (sortering): utf8_danish_ci

Felter

felttype utf8_danish_ci

$_POST

Ved indlæsning fra form til variabel med $_POST skal bruges:

$variabelnavn = htmlspecialchars (trim($_POST['feltnavn']),ENT_QUOTES, "utf-8");

trim() fjerner evt. foran- og efterstillede blanke tegn.

htlmspcialcahracters() konverterer evt. forekomster i tekster af de 5 tegn: >, <, ', " og ? til <...-tegn. Dette for at undgå at teksterne forvirrer PHP der også bruger disse tegn.

En 'søster' til htlmspcialcahracters - htmlentities - må ikke benyttes.
Udover de 5 ovennævnte tegn konverterer den mindst et par hundrede andre tegn - bl.a æ, ø, å, Æ, Ø og Å.
æ, ø og å bliver godt nok skrevet korrekt ud med 'echo', men ved sortering med f.eks. 'order by xxx asc' bliver de vist før 'a'.