CLDR

Hva det er

CLDR er en samling data om språk og regioner som utfyller Unicode.
Unicode definerer tegnene en tekst skrives med; CLDR beskriver
hvordan lesere av et bestemt språk i en bestemt region forventer å
se en dato, et tall, en pris, en enhet eller en liste skrevet, og i
hvilken rekkefølge de forventer at navn blir sortert.
Unicode-konsortiet vedlikeholder begge deler. CLDRs fulle navn er i
dag Unicode Common Locale Data & Rules. Tidligere het det Common
Locale Data Repository, og spesifikasjonen het Locale Data Markup
Language, forkortet LDML; ifølge spesifikasjonen er henvisninger
under de gamle navnene fortsatt gyldige.

Prosjektets nettsted nevner tre deler. Den første er selve dataene,
valgt ut og strukturert slik at programvare kan bruke dem. Den andre
er spesifikasjonen, Unicode Technical Standard #35, som beskriver
hvordan dataene er bygd opp og hvordan algoritmer bruker dem, med
krav til samsvar. Den tredje er koden som samler inn dataene fra
språkspesialister, kontrollerer at de er gyldige og konsistente, og
konverterer dem til formatene utviklere bruker. Spesifikasjonens
eget sammendrag av hva dataene dekker, er et godt kart:
identifikatorer for locales, måleenheter, tallsystemer og kalendere;
formatering av datoer, klokkeslett, tidssoner, tall, valutaer og
måleverdier; og sortering og søk. Flertallsregler, listemønstre og
navn på språk og regioner hører også med.

Dataene er ordnet etter locale: et språk, som kan avgrenses nærmere
med et skriftsystem og en region. Hver locale inneholder bare det
som skiller den fra den overordnede localen. Spesifikasjonens
eksempel er engelsk: `en` inneholder det meste av dataene, og
`en_IE`, engelsk slik det brukes i Irland, inneholder bare noen få
ting, for eksempel valutaen. Øverst over alle språk ligger en locale
som heter root, og localen for et språks primære region har ingen
egne data, fordi den overordnede localen allerede inneholder alt den
trenger. Noen få opplysninger hører til regionen alene, uansett
språk: valutaen, målesystemet og konvensjonene for uken. Har CLDR
ingen egne data for fransk slik det brukes i USA, får man derfor
formatene fra `fr` og beløpene i amerikanske dollar når man ber om
akkurat den kombinasjonen.

Kildedataene publiseres for hver versjon som XML i formatet
spesifikasjonen definerer, med verktøy som konverterer dem til JSON-
og POSIX-formater. Utgivelsene følger en plan med to sykluser i
året, og CLDR 49 kom ut 22. oktober 2026. Nye data kommer inn
gjennom et nettbasert verktøy, Survey Tool, som vanligvis er åpent
én gang i året for å samle inn data til nye strukturer og rette data
som allerede er utgitt, og morsmålsbrukere og språkeksperter går
gjennom det som kommer inn.

Hvorfor det er viktig

Prosjektets nettsted beskriver problemet rett ut: å formatere
datoer, tall, valutaer og måleenheter for ulike språk og regioner er
langt mer komplisert enn folk flest er klar over. CLDR finnes for at
ikke hvert team skal måtte lære seg den kompleksiteten ett språk om
gangen. Prosjektet dekker over 100 språk, og dataene blir
gjennomgått av morsmålsbrukere og språkeksperter, en grundigere
kontroll enn noe produktteam kan gi datoformatet i et marked det
nettopp har gått inn i.

De fleste team rører aldri CLDR direkte, og det er meningen.
Prosjektet regner alle moderne operativsystemer og nettlesere blant
dem som bruker dataene, sammen med språk som Java, C#, .NET, Swift
og JavaScript. Bruken er ofte indirekte: en applikasjon ber en
tjeneste i operativsystemet om å formatere en dato, tjenesten kaller
ICU, Unicodes produksjonsbibliotek for C, C++, Java og Rust, og ICU
leser CLDR. Node.js bygger `Intl`-objektene sine på ICU og leverer
som standard de fulle ICU-dataene; Python-programmer når de samme
dataene gjennom Babel, og Ruby-programmer gjennom TwitterCLDR. Når
et team kaller en formateringsfunksjon som tar hensyn til locale,
kommer svaret nesten alltid fra CLDR. Det teamet fortsatt bestemmer
selv, er hvilken locale det ber om, og hvilken versjon det kjører.

Alternativet er en tabell skrevet for hånd: tolv månedsnavn per
språk, et desimaltegn, et tusenskilletegn, en rekkefølge for
alfabetet. I beste fall er en slik tabell riktig den dagen den blir
skrevet, og deretter står den stille, mens CLDRs Survey Tool åpner
hvert år for å rette data som allerede er utgitt. Den er som regel
også skrevet av en som bare snakker enkelte av språkene i den.
Hvordan svensk sorterer de seks stedsnavnene nedenfor, ville en
norsk utvikler neppe gjette, og omvendt.

Slik ser det ut i praksis

Spør runtimen hvilken CLDR-versjon den har med seg, og la så dataene
sortere seks danske og svenske stedsnavn, sette sammen tre danske
bynavn til en liste og slå opp uken 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 skriver ut:

```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 versjonen runtimen er bygd med. Den er 47.0, selv om
CLDR 49 er kommet ut: en runtime har med seg dataene den ble bygd
med, ikke de nyeste dataene som finnes.

En vanlig `sort()` uten sammenligningsfunksjon legger Ä, Å, Æ og Ø
etter alle bokstavene fra A til Z, i rekkefølge etter tegnkodene
deres, og det passer ikke med noen av de tre språkene. Engelsk
sorterer hvert navn etter grunnbokstaven, så de fire navnene som
begynner med A, kommer først, og Ørsted kommer etter Odense. Dansk
avslutter alfabetet med Æ, Ø og Å, behandler Ä som en variant av Æ
og sorterer Aabenraa, stavet med dobbel a etter eldre skikk, blant
Å-navnene; spesifikasjonens del om sortering kaller dette den danske
kontraksjonen «aa». Svensk avslutter alfabetet med Å, Ä og Ö,
behandler Æ som en variant av Ä og Ø som en variant av Ö, og
sorterer Aabenraa som et navn som begynner med to a-er. Norsk
bokmål, `nb`, gir samme rekkefølge som dansk. Ingenting av dette
står i koden; hver rekkefølge kommer fra CLDRs sorteringsregler for
det aktuelle språket.

Listene fungerer på samme måte. Hver locale har et listemønster med
egne deler for begynnelsen, midten og slutten av en liste, og for en
liste på to. Britisk engelsk setter ikke komma foran «and»,
amerikansk engelsk gjør det, dansk binder sammen med «og» og
ukrainsk med «і», og alt kommer fra ett kall som ikke inneholder et
eneste ord på noen av disse språkene.

De fire siste linjene viser data som hører til en region og ikke til
et språk. Hver linje gir språkkoden, den fulle formen som
`maximize()` fyller ut med CLDRs mest sannsynlige skriftsystem og
region, og ukens første dag som et tall etter ISO 8601, der 1 er
mandag og 7 er søndag. Står det bare `en`, leser runtimen det som
engelsk med latinsk skrift slik det brukes i USA, så uken begynner
på søndag. Engelsk slik det brukes i Storbritannia eller i Danmark,
begynner uken på mandag, slik dansk gjør: uken kommer fra regionen,
uansett språk.

Konvensjonene CLDR registrerer, er også de en oversatt tekst må få
riktig for hånd. Et av prosjektene på dette nettstedet, en
tallkontroll på tvers av språk, trekker ut hvert tall, hver
prosentsats, hver multiplikator og hver enhet fra en engelsk streng
og krever at hver av dem finnes i hver oversettelse. Den
kontrollerer også hvert språk mot konvensjonene det må bruke og ikke
må bruke, blant annet desimalskilletegn, gruppering av tusener og
anførselstegn.

Hvor det går galt

Formatert tekst sammenlignes som en fast streng. En test som
forventer `"1 500"` fra `new Intl.NumberFormat("sv").format(1500)`,
feiler selv om resultatet ser nøyaktig slik ut, fordi svensk, norsk
og ukrainsk skiller tusener med U+00A0 NO-BREAK SPACE, som en editor
viser som et vanlig mellomrom. Den samme testen kan også knekke ved
en oppgradering, fordi en ny CLDR-versjon kan rette data som en
eldre versjon leverte. Sammenlign formatert tekst med det den samme
formatereren gir, sjekk strukturen med `formatToParts`, som merker
hver del som integer, group, decimal eller fraction, og gjør aldri
formatert tekst om til et tall igjen. Spesifikasjonens råd er å
lagre og utveksle data i språknøytral form og formatere dem for
leseren.

Server og nettleser har hver sin versjon. Node 25.2.1 leverer CLDR
47.0, mens prosjektet har kommet til 49, og en nettleser har med seg
den versjonen den selv ble bygd med. En side som formaterer en dato
på serveren og så igjen i nettleseren, kan vise to ulike strenger
for én verdi, og et snapshot som er tatt opp på én maskin, kan feile
på en annen. Formater hver verdi ett sted, lagre
`process.versions.cldr` sammen med testenes snapshots, og oppgrader
runtimen bevisst.

En manglende locale faller tilbake uten feil. `new
Intl.NumberFormat("tlh")` formaterer som amerikansk engelsk uten å
kaste en feil, fordi runtimen ikke har data for klingon og faller
tilbake til standardlocalen sin. Dokumentasjonen til Node.js
beskriver et mer lumskt tilfelle: en binærfil bygd med
small-icu-alternativet har vanligvis bare engelske data, og der
skrives et spansk månedsnavn ut som «M01» eller «January» i stedet
for «enero». Sjekk `resolvedOptions().locale` eller
`supportedLocalesOf` før du stoler på en locale, og bygg med de
fulle ICU-dataene, som er standard i Node og det de offisielle
binærfilene bruker.

En språkkode uten region får den mest sannsynlige. Runtimen leser
`en` som `en-Latn-US`, så en leser i Irland, Storbritannia eller
Danmark som får servert `en`, får en uke som begynner på søndag, og
datoer skrevet som 10/27/2026, med måneden først. Dataene bak, som
spesifikasjonen kaller likely subtags, er etter dens egen
beskrivelse heuristisk utledet og kan endre seg over tid. Send med
leserens region sammen med språket når den er kjent, og kall
`maximize()` når bare språket er kjent, så du ser hvilken region
runtimen kommer til å gå ut fra.

CLDRs identifikatorer sendes til et BCP 47-API. CLDRs filer og
eksempler skriver locales med understrek, for eksempel `en_IE`, og
spesifikasjonen behandler `_` og `-` som likeverdige. Det gjør ikke
JavaScripts `Intl`: `new Intl.NumberFormat("da_DK")` kaster
`RangeError: Invalid language tag: da_DK`. Konverter ved grensen
slik spesifikasjonens egen konvertering til BCP 47 gjør, ved å bytte
ut hver `_` med `-`, og send resultatet gjennom
`Intl.getCanonicalLocales`, som returnerer `da-DK`.

Les mer

  * Unicode CLDR Project — hva CLDR er, de tre delene, hvem som
bruker det og hvordan, og utgivelsesplanen.

  * UTS #35, Part 1: Core — spesifikasjonen: locale-identifikatorer,
de tidligere navnene, arv mellom locales, likely subtags og rådet om
å holde data språknøytrale.

  * UTS #35, Part 2: General — visningsnavn, målesystemer og
listemønstrene som brukes ovenfor.

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

  * Node.js: Internationalization support — hvordan Node bygger
`Intl`-objektene sine på ICU, byggealternativene og hvordan man
finner ut hva en binærfil støtter.

  * ECMAScript Internationalization API Specification — standarden
bak `Intl`, blant annet `Locale`-metodene som brukes ovenfor, og
CLDRs ukedata og likely subtags som de bygger på.

hDenne siden på nettet	URL:https://engineer.company/nb/glossary/cldr/	engineer.company	70
