{"canonical_url":"https://engineer.company/da/glossary/unicode/","content_markdown":"# Unicode\n\n## Hvad det er\n\nUnicode er standarden, der giver hvert bogstav, hvert ciffer, hvert\ntegnsætningstegn og hvert symbol i verdens skriftsystemer sit eget nummer.\nIfølge dem, der vedligeholder standarden, er Unicode den universelle\ntegnkodning: bygget, så tekst på den moderne verdens sprog og i dens tekniske\nfag kan udveksles, behandles og vises overalt, og udvidet til de klassiske og\nhistoriske tekster i mange skriftsprog. Ét og samme repertoire rummer det danske\nå, det ukrainske Ґ, eurotegnet og bogstaverne i skrifter, som ingen har skrevet\ni århundreder, så et enkelt dokument eller en enkelt kolonne i en database kan\nindeholde dem alle.\n\nFormelt består en version af Unicode-standarden af kernespecifikationen,\nkodeoversigterne, standardens bilag, Unicode Standard Annexes, og Unicode\nCharacter Database, de maskinlæsbare filer, der beskriver hvert tegns\negenskaber. Unicode Technical Committee vedligeholder standarden løbende,\nUnicode-konsortiet udgiver den, og version 18.0 blev annonceret\nden 16. september 2026.\n\nDet nummer, et tegn får, kaldes dets kodepunkt. Koderummet går fra 0 til 10FFFF\nhexadecimalt, i alt 1.114.112 kodepunkter, og et kodepunkt skrives som U+\nefterfulgt af mindst fire hexadecimale cifre: å er U+00E5, Ґ er U+0490, og\neurotegnet er U+20AC. Konsortiets stabilitetspolitik lover, at et tegn aldrig\nflyttes eller fjernes, når det først er kodet, og at dets navn aldrig ændres, så\ntekst, der kodes i dag, betyder det samme i alle senere versioner.\n\nTo skel bærer det meste af standarden. Det første går mellem tegn og glyf.\nUnicode koder tegnet, det abstrakte bogstav, og overlader formen til fonten:\nkernespecifikationen slår fast, at glyffernes udseende er fontleverandørernes\nansvar og ikke en del af standarden. Det samme kodepunkt kan se forskelligt ud i\nto skrifttyper, og en skrifttype uden en form for det kan slet ikke tegne det.\nDet andet skel går mellem kodepunktet og de bytes, der gemmer det. Unicode\ndefinerer tre kodningsformer, UTF-8, UTF-16 og UTF-32, der skriver hvert\nkodepunkt som en eller flere enheder på 8, 16 eller 32 bit, og specifikationen\nkalder det en fælde at gøre det til et spørgsmål om »UTF-8 versus Unicode«: alle\ntre er lige gyldige måder at implementere de samme tegn på.\n\n## Hvorfor det betyder noget\n\nFør Unicode havde hver skrift sine egne tegntabeller, og en byte betød\ningenting, før man vidste, hvilken tabel der var i brug. I den vesteuropæiske\ntegntabel windows-1252 er byten E5 et å; i den kyrilliske windows-1251 er samme\nbyte bogstavet е. Ingen af dem kunne rumme den andens bogstaver: windows-1251\nhar Ґ, men hverken å, æ eller ø, og windows-1252 har det omvendt. Et produkt på\ndansk og ukrainsk krævede to kodninger og et pålideligt overblik over, hvilken\ntekst der brugte hvilken, og en sætning, der citerede begge sprog, kunne ikke\ngemmes i nogen af de to kodninger.\n\nUnicode gjorde det bogholderi overflødigt. Alle de sprog, et produkt udgives på,\nog alle de navne, en kunde skriver i en formular, passer ind i ét tegnsæt, og\ndet samme nummer betyder det samme tegn på alle systemer, der læser det. Det er\ndet, der lader en database, et API og en browser sende tekst imellem sig uden\nførst at blive enige om en tegntabel.\n\nStandarden afgør også spørgsmål, som ellers ville blive afgjort forskelligt i\nhvert eneste program. Den slår tegn sammen på tværs af sprog: kommaet er ét\ntegn, uanset om det skiller tusinder ad, som på engelsk, eller decimaler, som på\ndansk, så det er sproget og dets konventioner, ikke kodepunktet, der afgør\nbetydningen. Den slår ikke tegn sammen på tværs af skrifter: det latinske o, det\nkyrilliske о og det græske ο ser ens ud i de fleste skrifttyper og er tre tegn,\nfordi de hører til tre skrifter, og ældre kodninger allerede holdt dem adskilt.\nOg den fastlægger, hvilke sekvenser der er ækvivalente. Å kan gemmes som ét\nsamlet tegn eller som A efterfulgt af en kombinerende ring, og standarden\ndefinerer de to som kanonisk ækvivalente, så de skal vises og forstås ens, med\nnormaliseringsformer, der fører begge over i én aftalt stavemåde.\n\nDen rækkevidde har en pris, og det er programmøren, der betaler den. Et tegn er\nikke en byte, ikke altid én enhed i en streng og ikke altid det, en læser tæller\nsom ét bogstav. Kode, der behandler de tre som det samme, klarer sine test med\nengelske data og fejler på navne, adresser og beskeder fra netop de mennesker,\nden blev skrevet til.\n\n## Sådan ser det ud i praksis\n\nJavaScript gør lagene synlige. En streng er en række UTF-16-kodeenheder, og\nspreder man den ud i et array, deles den op i kodepunkter:\n\n```js\nconst hex = (n) =\u003e n.toString(16).toUpperCase().padStart(4, \"0\");\nfor (const text of [\"a\", \"å\", \"Ґ\", \"€\", \"𐌂\"]) {\n  const points = [...text].map((c) =\u003e \"U+\" + hex(c.codePointAt(0)));\n  console.log(text, points.join(\" \"), text.length, [...text].length);\n}\n```\n\nKørt i Node.js 25 skriver koden hvert tegn, dets kodepunkt, dets længde i\nUTF-16-enheder og dets længde i kodepunkter:\n\n```text\na U+0061 1 1\nå U+00E5 1 1\nҐ U+0490 1 1\n€ U+20AC 1 1\n𐌂 U+10302 2 1\n```\n\nDen sidste linje er et gammelitalisk bogstav. Dets kodepunkt ligger over U+FFFF,\nså UTF-16 gemmer det som to enheder, et surrogatpar, og `length` melder 2 for\ndet, der er ét tegn.\n\nÆkvivalens viser sig på samme måde. Her er tre strenge, der alle vises som Å:\n\n```js\nconst forms = [\"\\u00C5\", \"A\\u030A\", \"\\u212B\"];\nconsole.log(\"form length equal NFC\");\nfor (const [i, s] of forms.entries()) {\n  console.log(i + 1, s.length, s === forms[0], s.normalize(\"NFC\") === forms[0]);\n}\n```\n\n```text\nform length equal NFC\n1 1 true true\n2 2 false true\n3 1 false true\n```\n\nDen første er det samlede bogstav, U+00C5. Den anden er et almindeligt A\nefterfulgt af U+030A, den kombinerende ring over. Den tredje er U+212B,\nångstrømtegnet, som Unicode Character Database fører tilbage til U+00C5.\nSammenlignet, som de er, er de tre forskellige strenge; efter normalisering til\nNFC er alle tre den samme. Intet på skærmen skiller dem ad, så en søgning, et\nunikt indeks eller et login, der sammenligner de rå strenge, ser tre forskellige\nnavne.\n\nOgså dette site er afhængigt af kodepunkter, bare et mindre synligt sted. Noten\nom\n[understregningen, der gik gennem hvert bogstav](/da/notes/safari-underline-font-subset/)\nbeskriver sitets Ubuntu-skrifter til brødtekst med latinske og kyrilliske tegn\nsom seks snit, tre vægte med latinske tegn og tre med kyrilliske, så en ukrainsk\nside sættes i samme skrifttype som en engelsk. Hvert snit angiver det tegnområde,\ndet dækker. Områderne styrer valget af skrifttype til sidens tegn; en eksplicit\nforudindlæsning kan også anmode om en fil, før browseren finder den på normal\nvis. Den kyrilliske erklæring angiver sit område i kodepunkter:\n\n```text\nunicode-range: U+0400-045F, U+0490-0491;\n```\n\nDet første område går fra Ѐ til џ og rummer de ukrainske Є, І og Ї sammen med\nresten af det grundlæggende kyrilliske alfabet. Det andet rummer kun Ґ og ґ, der\nligger længere henne i den kyrilliske blok. Områderne angiver, hvilket skrifttypesnit der kan vælges til et tegn, men\nskriften skal også rumme tegnets glyf. De er ingen garanti for, at en side kun\nhenter filer til ét skriftsystem. Engelsk og dansk tekst bruger de latinske\nsnit, men den ukrainske sprogbetegnelse kan kræve et kyrillisk snit, og sitet\nforudindlæser eksplicit det lette kyrilliske brødtekstsnit på ikke-kyrilliske\nsider til skærmvisning.\n\n## Hvor det går galt\n\n**Længden tælles i kodeenheder.** JavaScripts `length` tæller UTF-16-enheder, så\n𐌂 tæller som to, og et A med kombinerende ring tæller som to, hvor en læser ser\nét bogstav. En grænse, der håndhæves i enheder, afviser tekst, der sagtens kan\nvære der, og et snit ved en fast position kan dele et tegn:\n`\"A\\u030A\".slice(0, 1)` beholder A'et og taber ringen, og skærer man 𐌂 over på\nmidten, står der et enligt surrogat tilbage, som UTF-8-koderen erstatter med\nU+FFFD, erstatningstegnet. Beslut for hver grænse, hvad den tæller: bytes,\nhvor det er lagringen, der sætter grænsen, og tegn, som læseren ser dem, hvor\ndet er et menneske. `Intl.Segmenter` tæller på den sidste måde, og for Århus\nskrevet med kombinerende ring giver den 5, hvor `length` giver 6. Klip kun\ntekst ved de grænser, den melder.\n\n**Ens tekst sammenlignes enhed for enhed.** De tre former af Å ovenfor er tre\nforskellige strenge for `===`, for en hashfunktion og for et unikt indeks, så en\nkunde kan oprette det samme navn to gange eller ikke finde et dokument ud fra\nden titel, vedkommende skrev. Normalisér tekst til NFC, hvor den kommer ind i\nsystemet, gem den normaliseret, og sammenlign normaliserede former.\nStabilitetspolitikken garanterer, at en streng, der er normaliseret under én\nversion, forbliver normaliseret under alle senere, forudsat at strengen kun\nindeholder tegn, som den version kender, så den kode, der normaliserer, skal\nvære lige så ny som teksten.\n\n**Tegn, der ligner hinanden, går for at være ens.** Det latinske o, det\nkyrilliske о og det græske ο er forskellige kodepunkter, som de fleste\nskrifttyper tegner ens, så to kontonavne eller to varenumre kan se identiske ud\nog afvige i et enkelt tegn. Unicode holder dem bevidst adskilt, og konsortiets\nstandard for sikkerhedsmekanismer, UTS #39, beskriver, hvordan den slags\nforfalskning kan begrænses. Hvor et navn identificerer en person eller en\nbetalingsmodtager, så tillad kun én skrift pr. navn, eller tjek navnet mod\nstandardens sikkerhedsdata, før det godkendes.\n\n**Bytes læses i den forkerte kodning.** Tekst, der er gemt som UTF-8 og læses\nsom windows-1252, forvandler blåbær til blÃ¥bÃ¦r, fordi hvert bogstav på to\nbytes læses som to bogstaver på én byte hver. Ordet Unicode siger ikke, hvordan\nde bytes blev skrevet; det gør kun kodningsformen. Angiv den overalt, hvor tekst\nkrydser en grænse, i HTTP-headeren, på siden, på databaseforbindelsen og i\nfilformatet, og behandl en fil, der kommer uden, som et spørgsmål til et\nmenneske og ikke som et gæt til koden.\n\n**Teksten får skylden for en manglende glyf.** Når et bogstav vises som en tom\nfirkant, er årsagen som regel en skrifttype uden en form for det kodepunkt, og\nselve teksten er intakt. Fordi Unicode overlader formerne til skrifttyperne,\nskal hver skrifttype, et produkt bruger, dække alle de tegn, dets sprog har brug\nfor, de ukrainske Є, І, Ї og Ґ lige så vel som А til я, ellers tegner browseren\ndem med den reserveskrift, den nu finder. Noten ovenfor giver netop det som\ngrunden til, at sitet overhovedet serverer kyrilliske dele: uden dem ville en\nukrainsk side falde tilbage på det, systemet nu tilbyder. Test hvert sprog med\nhele dets alfabet frem for en enkelt eksempelsætning.\n\n**Navne tjekkes mod A til Z.** Et mønster som `^[A-Za-z' -]+$` godkender O'Neill\nog afviser Søren Ågård, Zoë og Ґалаґан, altså netop de navne, et dansk eller\nukrainsk produkt er til for. Afgør i stedet, om et tegn er et bogstav, ud fra\ndets Unicode-egenskaber: i JavaScript godkender `/^[\\p{L}\\p{M}' -]+$/u` alle\nfire. Egenskaberne kommer fra den kopi af Unicode Character Database, der ligger\ni kørselsmiljøet. For eksempel rapporterer Node.js 25.2.1, som bruges til\neksemplerne her, Unicode 16.0; det gælder det konkrete build og er ikke en\ngaranti for hver udgave i 25.x-serien. Bogstaver, der er kommet til i senere\nUnicode-versioner, afvises, indtil kørselsmiljøets tegndata opgraderes. Validér navne\nløst, og lad et menneske frem for et mønster afgøre de svære tilfælde.\n\n## Læs mere\n\n- [About the Unicode Standard](https://www.unicode.org/standard/standard.html)\n  — konsortiets egen beskrivelse af standarden, hvad en version består af, og\n  hvor den nyeste udgives.\n- [The Unicode Standard, Chapter 2: General Structure](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-2/)\n  — de ti designprincipper, koderummet, de tre kodningsformer og reglerne for\n  ækvivalente sekvenser.\n- [Unicode Character Encoding Stability Policies](https://www.unicode.org/policies/stability_policy.html)\n  — det, der aldrig kan ændres, når et tegn først er kodet, fra kodepunktet og\n  navnet til normaliseringen.\n- [Unicode 18.0.0](https://www.unicode.org/versions/Unicode18.0.0/) — det, den\n  aktuelle version tilføjer, og de tekniske standarder, der udgives i takt med\n  den, blandt dem sortering og sikkerhed.\n- [Node.js: process.versions](https://nodejs.org/api/process.html#processversions)\n  — kørselsmiljøets oversigt over komponentversioner, som her knytter\n  Unicode-dataeksemplet til ét bestemt Node.js-build frem for en hel\n  udgivelsesserie.\n- [CSS Fonts: character ranges](https://www.w3.org/TR/css-fonts-4/#descdef-font-face-unicode-range)\n  — hvordan erklærede tegnområder og skriftens faktiske glyfdækning tilsammen\n  bestemmer, hvilke tegn et skrifttypesnit kan vise.\n\n\u003chttps://engineer.company/da/glossary/unicode/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"Hvordan Unicode giver hvert tegn sit eget nummer, hvorfor ét bogstav kan gemmes på tre måder, og seks fejl, der ødelægger navne, længder og sammenligninger.","formats":{"gemtext":"https://engineer.company/da/glossary/unicode/index.gmi","gopher":"https://engineer.company/da/glossary/unicode/gophermap","html":"https://engineer.company/da/glossary/unicode/","json":"https://engineer.company/da/glossary/unicode/index.json","markdown":"https://engineer.company/da/glossary/unicode/index.md","pdf":"https://engineer.company/da/glossary/unicode/index.pdf"},"kind":"page","language":"da","title":"Hvad er Unicode?","url":"https://engineer.company/da/glossary/unicode/","version":1}