CLDR

Hvad det er

CLDR er en samling data om sprog og regioner, der supplerer Unicode.
Unicode definerer de tegn, en tekst skrives med; CLDR beskriver,
hvordan læsere af et bestemt sprog i en bestemt region forventer at
se en dato, et tal, en pris, en enhed eller en liste skrevet, og i
hvilken rækkefølge de forventer, at navne sorteres.
Unicode-konsortiet vedligeholder begge dele. CLDR's fulde navn er i
dag Unicode Common Locale Data & Rules. Tidligere hed det Common
Locale Data Repository, og specifikationen hed Locale Data Markup
Language, forkortet LDML; ifølge specifikationen er henvisninger
under de gamle navne stadig gyldige.

Projektets websted nævner tre dele. Den første er selve dataene,
udvalgt og struktureret, så software kan bruge dem. Den anden er
specifikationen, Unicode Technical Standard #35, der beskriver,
hvordan dataene er opbygget, og hvordan algoritmer bruger dem, med
krav til overensstemmelse. Den tredje er koden, der indsamler
dataene fra sprogspecialister, kontrollerer, at de er gyldige og
konsistente, og konverterer dem til de formater, udviklere bruger.
Specifikationens eget resumé af, hvad dataene dækker, er et godt
kort: identifikatorer for locales, måleenheder, talsystemer og
kalendere; formatering af datoer, klokkeslæt, tidszoner, tal,
valutaer og måleværdier; og sortering og søgning. Flertalsregler,
listemønstre og navne på sprog og regioner hører med.

Dataene er ordnet efter locale: et sprog, der kan afgrænses
yderligere med et skriftsystem og en region. Hver locale rummer kun
det, der afviger fra dens forælder. Specifikationens eksempel er
engelsk: `en` rummer hovedparten af dataene, og `en_IE`, engelsk som
det bruges i Irland, rummer kun nogle få ting, for eksempel
valutaen. Øverst over alle sprog ligger en locale ved navn root, og
localen for et sprogs primære region har ingen egne data, fordi dens
forælder allerede rummer alt, hvad den skal bruge. Nogle få
oplysninger hører alene til regionen, uanset sproget: valutaen,
målesystemet og konventionerne for ugen. Har CLDR ingen særskilte
data for fransk, som det bruges i USA, får man derfor formaterne fra
`fr` og beløbene i amerikanske dollar, når man beder om netop den
kombination.

Kildedataene udgives for hver version som XML i det format,
specifikationen definerer, med værktøjer, der konverterer dem til
JSON- og POSIX-formater. Udgivelserne følger en plan med to
cyklusser om året, og CLDR 49 udkom den 22. oktober 2026. Nye data
kommer ind gennem et onlineværktøj, Survey Tool, der som regel er
åbent én gang om året for at indsamle data til nye strukturer og
rette data, der allerede er udgivet, og folk med sproget som
modersmål og sprogeksperter gennemgår det, der kommer ind.

Hvorfor det betyder noget

Projektets websted formulerer problemet ligeud: at formatere datoer,
tal, valutaer og måleenheder til forskellige sprog og regioner er
langt mere kompliceret, end de fleste er klar over. CLDR findes, for
at intet team skal lære den kompleksitet at kende ét sprog ad
gangen. Projektet dækker over 100 sprog, og dataene gennemgås af
folk med sproget som modersmål og af sprogeksperter, hvilket er mere
gennemsyn, end noget produktteam kan give datoformatet på et marked,
det lige er gået ind på.

De fleste teams rører aldrig CLDR direkte, og det er med vilje.
Projektet regner alle moderne operativsystemer og browsere blandt
dem, der bruger dataene, sammen med sprog som Java, C#, .NET, Swift
og JavaScript. Brugen er ofte indirekte: en applikation beder en
tjeneste i operativsystemet om at formatere en dato, tjenesten
kalder ICU, Unicodes produktionsbibliotek til C, C++, Java og Rust,
og ICU læser CLDR. Node.js bygger sine `Intl`-objekter på ICU og
leverer som standard de fulde ICU-data; Python-programmer når de
samme data gennem Babel, og Ruby-programmer gennem TwitterCLDR. Når
et team kalder en formateringsfunktion, der tager hensyn til locale,
kommer svaret næsten altid fra CLDR. Det, teamet stadig selv
bestemmer, er, hvilken locale det beder om, og hvilken version det
kører.

Alternativet er en tabel skrevet i hånden: tolv månedsnavne pr.
sprog, et decimaltegn, et tusindtalsskilletegn, en rækkefølge for
alfabetet. I bedste fald er sådan en tabel rigtig den dag, den
bliver skrevet, og derefter står den stille, mens CLDR's Survey Tool
åbner hvert år for at rette data, der allerede er udgivet. Den er
som regel også skrevet af en, der kun taler nogle af sprogene i den.
Hvordan svensk sorterer de seks stednavne nedenfor, ville en dansk
udvikler ikke gætte, og omvendt.

Sådan ser det ud i praksis

Spørg runtimen, hvilken CLDR-version den har med, og lad så dataene
sortere seks danske og svenske stednavne, sætte tre danske bynavne
sammen til en liste og slå ugen op for fire locales:

```js
console.log("CLDR", process.versions.cldr);

const towns = ["Ørsted", "Odense", "Åsa", "Aabenraa", "Ærø", "Ängelholm"];
console.log("code point", [...towns].sort().join(", "));
for (const tag of ["en", "da", "sv"]) {
  const sorted = [...towns].sort(new Intl.Collator(tag).compare);
  console.log(tag.padEnd(10), sorted.join(", "));
}

const three = ["Aarhus", "Odense", "Aalborg"];
for (const tag of ["en-GB", "en-US", "da", "uk"]) {
  console.log(tag.padEnd(10), new Intl.ListFormat(tag).format(three));
}

for (const tag of ["en", "en-GB", "en-DK", "da"]) {
  const locale = new Intl.Locale(tag);
  const { firstDay } = locale.getWeekInfo();
  console.log(tag.padEnd(10), locale.maximize().toString(), firstDay);
}
```

Node 25.2.1 udskriver:

```text
CLDR 47.0
code point Aabenraa, Odense, Ängelholm, Åsa, Ærø, Ørsted
en         Aabenraa, Ærø, Ängelholm, Åsa, Odense, Ørsted
da         Odense, Ängelholm, Ærø, Ørsted, Aabenraa, Åsa
sv         Aabenraa, Odense, Åsa, Ängelholm, Ærø, Ørsted
en-GB      Aarhus, Odense and Aalborg
en-US      Aarhus, Odense, and Aalborg
da         Aarhus, Odense og Aalborg
uk         Aarhus, Odense і Aalborg
en         en-Latn-US 7
en-GB      en-Latn-GB 1
en-DK      en-Latn-DK 1
da         da-Latn-DK 1
```

Første linje er den version, runtimen er bygget med. Den er 47.0,
selv om CLDR 49 er udkommet: en runtime har dataene fra sit eget
build med, ikke de nyeste data, der findes.

En almindelig `sort()` uden sammenligningsfunktion lægger Ä, Å, Æ og
Ø efter alle bogstaverne fra A til Z, i rækkefølge efter deres
tegnkoder, og det passer ikke til nogen af de tre sprog. Engelsk
sorterer hvert navn efter dets grundbogstav, så de fire navne, der
begynder med et A, kommer først, og Ørsted kommer efter Odense.
Dansk slutter alfabetet med Æ, Ø og Å, behandler Ä som en variant af
Æ og sorterer Aabenraa, stavet med det gamle dobbelte a, blandt
Å-navnene; specifikationens del om sortering kalder det den danske
kontraktion »aa«. Svensk slutter alfabetet med Å, Ä og Ö, behandler
Æ som en variant af Ä og Ø som en variant af Ö og sorterer Aabenraa
som et navn, der begynder med to a'er. Norsk bokmål, `nb`, giver den
danske rækkefølge. Intet af det står i koden; hver rækkefølge kommer
fra CLDR's sorteringsregler for det pågældende sprog.

Listerne fungerer på samme måde. Hver locale har et listemønster med
særskilte dele til begyndelsen, midten og slutningen af en liste og
til en liste på to. Britisk engelsk sætter intet komma før »and«, og
amerikansk engelsk gør, dansk binder sammen med »og« og ukrainsk med
»і«, alt sammen fra ét kald, der ikke indeholder et eneste ord på
nogen af sprogene.

De sidste fire linjer viser data, der hører til en region og ikke
til et sprog. Hver linje giver sprogkoden, den fulde form, som
`maximize()` udfylder med CLDR's mest sandsynlige skriftsystem og
region, og ugens første dag som et tal efter ISO 8601, hvor 1 er
mandag og 7 er søndag. Runtimen læser et `en` uden region som
engelsk med latinske bogstaver, som det bruges i USA, så ugen
starter om søndagen. Engelsk, som det bruges i Storbritannien eller
i Danmark, starter ugen om mandagen ligesom dansk: ugen kommer fra
regionen, uanset sproget.

De konventioner, CLDR registrerer, er også dem, en oversat tekst
skal ramme rigtigt i hånden. Et af projekterne på dette site, et
tværsprogligt tjek af tal, udtrækker hvert tal, hver procentdel,
hver multiplikator og hver enhed fra en engelsk streng og kræver
hver af dem i hver oversættelse. Det kontrollerer også hvert sprog
mod de konventioner, det skal bruge, og dem, det ikke må bruge,
herunder decimalskilletegn, tusindgruppering og anførselstegn.

Hvor det går galt

Formateret tekst sammenlignes som en fast streng. En test, der
forventer `"1 500"` fra `new Intl.NumberFormat("sv").format(1500)`,
fejler, selv om resultatet ser præcis sådan ud, fordi svensk, norsk
og ukrainsk adskiller tusinder med U+00A0 NO-BREAK SPACE, som en
editor viser som et almindeligt mellemrum. Den samme test kan også
gå i stykker ved en opgradering, fordi en ny CLDR-version kan rette
data, som en ældre leverede. Sammenlign formateret output med output
fra den samme formateringsfunktion, kontrollér strukturen med
`formatToParts`, der mærker hver del som integer, group, decimal
eller fraction, og pars aldrig formateret tekst tilbage til et tal.
Specifikationens råd er at gemme og udveksle sprogneutrale data og
først formatere dem til læseren.

Server og browser har hver sin version. Node 25.2.1 leverer CLDR
47.0, mens projektet er nået til 49, og en browser har den version
med, som dens eget build fik. En side, der formaterer en dato på
serveren og igen i browseren, kan vise to forskellige strenge for én
værdi, og et snapshot, der er optaget på én maskine, kan fejle på en
anden. Formatér hver værdi ét sted, gem `process.versions.cldr`
sammen med testenes snapshots, og opgradér runtimen bevidst.

En manglende locale falder tilbage uden en fejl. `new
Intl.NumberFormat("tlh")` formaterer som amerikansk engelsk uden at
kaste en fejl, fordi runtimen ikke har data for klingon og falder
tilbage til sin standardlocale. Dokumentationen til Node.js
beskriver et mere lumsk tilfælde: et binært build med
small-icu-indstillingen har typisk kun engelske data, og dér
udskrives et spansk månedsnavn som »M01« eller »January« i stedet
for »enero«. Kontrollér `resolvedOptions().locale` eller
`supportedLocalesOf`, før du stoler på en locale, og byg med de
fulde ICU-data, som er standard i Node og det, de officielle binære
udgaver bruger.

En sprogkode uden region får den mest sandsynlige. Runtimen læser
`en` som `en-Latn-US`, så en læser i Irland, Storbritannien eller
Danmark, der får serveret `en`, får en uge, der starter om søndagen,
og datoer skrevet som 10/27/2026 med måneden først. Dataene bag, som
specifikationen kalder likely subtags, er efter dens egen
beskrivelse heuristisk udledte og kan ændre sig over tid. Send
læserens region med sammen med sproget, når den er kendt, og kald
`maximize()`, når kun sproget er kendt, så du kan se, hvilken region
runtimen vil gå ud fra.

CLDR's identifikatorer sendes til et BCP 47-API. CLDR's filer og
eksempler skriver locales med understregning, for eksempel `en_IE`,
og specifikationen behandler `_` og `-` som ligeværdige. Det gør
JavaScripts `Intl` ikke: `new Intl.NumberFormat("da_DK")` kaster
`RangeError: Invalid language tag: da_DK`. Konvertér ved grænsen,
sådan som specifikationens egen konvertering til BCP 47 gør, ved at
erstatte hver `_` med `-`, og send resultatet gennem
`Intl.getCanonicalLocales`, der returnerer `da-DK`.

Læs mere

  * Unicode CLDR Project — hvad CLDR er, de tre dele, hvem der
bruger det og hvordan, og udgivelsesplanen.

  * UTS #35, Part 1: Core — specifikationen: locale-identifikatorer,
de tidligere navne, nedarvning mellem locales, likely subtags og
rådet om at holde data sprogneutrale.

  * UTS #35, Part 2: General — visningsnavne, målesystemer og de
listemønstre, der bruges ovenfor.

  * UTS #35, Part 5: Collation — hvordan CLDR tilpasser
standardsorteringen til hvert sprog, med dansk som eksempel.

  * Node.js: Internationalization support — hvordan Node bygger sine
`Intl`-objekter på ICU, byggeindstillingerne, og hvordan man finder
ud af, hvad et binært build understøtter.

  * ECMAScript Internationalization API Specification — standarden
bag `Intl`, herunder de `Locale`-metoder, der bruges ovenfor, og
CLDR's ugedata og likely subtags, som de bygger på.

hDenne side på nettet	URL:https://engineer.company/da/glossary/cldr/	engineer.company	70
