{"canonical_url":"https://engineer.company/sv/glossary/unicode/","content_markdown":"# Unicode\n\n## Vad det är\n\nUnicode är standarden som ger varje bokstav, siffra, skiljetecken och symbol i\nvärldens skriftsystem ett eget nummer. Enligt dem som underhåller standarden är\nUnicode den universella teckenkodningen: utformad för att text på den moderna\nvärldens språk och inom dess tekniska fält ska kunna utbytas, bearbetas och\nvisas var som helst, och utökad till klassiska och historiska texter på många\nskriftspråk. En och samma repertoar rymmer det svenska å, det ukrainska Ґ,\neurotecknet och bokstäverna i skrifter som ingen har skrivit på i århundraden,\nså att ett enda dokument, eller en enda kolumn i en databas, kan innehålla dem\nalla.\n\nFormellt består en version av Unicode-standarden av kärnspecifikationen,\nkodtabellerna, standardens bilagor, Unicode Standard Annexes, och Unicode\nCharacter Database, de maskinläsbara filer som beskriver varje teckens\negenskaper. Unicode Technical Committee underhåller standarden löpande,\nUnicode-konsortiet ger ut den, och version 18.0 tillkännagavs\nden 16 september 2026.\n\nNumret som ett tecken får kallas dess kodpunkt. Kodrymden går från 0 till 10FFFF\nhexadecimalt, 1 114 112 kodpunkter totalt, och en kodpunkt skrivs som U+ följt\nav minst fyra hexadecimala siffror: å är U+00E5, Ґ är U+0490 och eurotecknet är\nU+20AC. Konsortiets stabilitetsregler lovar att ett tecken aldrig flyttas eller\ntas bort när det väl har kodats, och att dess namn aldrig ändras, så text som\nkodas i dag betyder samma sak i alla senare versioner.\n\nTvå distinktioner bär det mesta av standarden. Den första går mellan tecken och\nglyf. Unicode kodar tecknet, den abstrakta bokstaven, och överlåter formen åt\ntypsnittet: kärnspecifikationen slår fast att glyfernas utseende är\ntypsnittsleverantörernas ansvar och inte en del av standarden. Samma kodpunkt\nkan se olika ut i två typsnitt, och ett typsnitt som saknar en form för den kan\ninte rita den alls. Den andra går mellan kodpunkten och de byte som lagrar den.\nUnicode definierar tre kodningsformer, UTF-8, UTF-16 och UTF-32, som skriver\nvarje kodpunkt som en eller flera enheter om 8, 16 eller 32 bitar, och\nspecifikationen kallar det en fälla att göra det till en fråga om ”UTF-8 versus\nUnicode”: alla tre är lika giltiga sätt att implementera samma tecken.\n\n## Varför det spelar roll\n\nFöre Unicode hade varje skrift sina egna kodsidor, och en byte betydde ingenting\nförrän man visste vilken sida som användes. I den västeuropeiska kodsidan\nwindows-1252 är byten E5 ett å; i den kyrilliska windows-1251 är samma byte\nbokstaven е. Ingen av sidorna kunde rymma den andras bokstäver: windows-1251 har\nҐ men varken å, ä eller ö, och i windows-1252 är det tvärtom. En produkt på\nsvenska och ukrainska behövde två kodningar och god ordning på vilken text som\nanvände vilken, och en mening som citerade båda språken gick inte att lagra\ni någon av de två kodningarna.\n\nUnicode gjorde den bokföringen överflödig. Alla språk som en produkt ges ut på,\noch alla namn som en kund skriver i ett formulär, ryms i en och samma\nteckenuppsättning, och samma nummer betyder samma tecken i alla system som läser\ndet. Det är det som låter en databas, ett API och en webbläsare skicka text\nmellan sig utan att först komma överens om en kodsida.\n\nStandarden avgör också frågor som annars skulle avgöras olika i varje program.\nDen slår ihop tecken över språkgränser: kommat är ett och samma tecken oavsett\nom det skiljer tusental åt, som på engelska, eller decimaler, som på svenska, så\ndet är språket och dess konventioner, inte kodpunkten, som avgör betydelsen. Den\nslår inte ihop tecken över skriftgränser: det latinska o, det kyrilliska о och\ndet grekiska ο ser likadana ut i de flesta typsnitt och är tre tecken, eftersom\nde hör till tre skrifter och äldre kodningar redan höll isär dem. Och den slår\nfast vilka sekvenser som är ekvivalenta. Å kan lagras som ett färdigt sammansatt\ntecken eller som A följt av en kombinerande ring, och standarden definierar de\ntvå som kanoniskt ekvivalenta, så att de ska visas och tolkas likadant, med\nnormaliseringsformer som för över båda till en överenskommen stavning.\n\nDen bredden har ett pris, och det är programmeraren som betalar det. Ett tecken\när inte en byte, inte alltid en enhet i en sträng och inte alltid det som en\nläsare räknar som en bokstav. Kod som behandlar de tre som samma sak klarar sina\ntester med engelska data och fallerar på namnen, adresserna och meddelandena\nfrån just de människor den skrevs för.\n\n## Så ser det ut i praktiken\n\nJavaScript gör lagren synliga. En sträng är en följd av UTF-16-kodenheter, och\nsprider man ut den i en array delas den upp i kodpunkter:\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\nKört i Node.js 25 skriver koden ut varje tecken, dess kodpunkt, dess längd i\nUTF-16-enheter och dess längd i kodpunkter:\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 sista raden är en fornitalisk bokstav. Dess kodpunkt ligger över U+FFFF, så\nUTF-16 lagrar den som två enheter, ett surrogatpar, och `length` rapporterar 2\nför det som är ett tecken.\n\nEkvivalens syns på samma sätt. Här är tre strängar som alla visas 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 första är den färdigt sammansatta bokstaven, U+00C5. Den andra är ett\nvanligt A följt av U+030A, den kombinerande ringen ovanför. Den tredje är\nU+212B, ångströmtecknet, som Unicode Character Database för tillbaka till\nU+00C5. Jämförda som de är, är de tre olika strängar; efter normalisering till\nNFC är alla tre samma sträng. Ingenting på skärmen skiljer dem åt, så en\nsökning, ett unikt index eller en inloggning som jämför de råa strängarna ser\ntre olika namn.\n\nÄven den här webbplatsen är beroende av kodpunkter, bara på ett mindre synligt\nställe. Anteckningen om\n[understrykningen som korsade varje bokstav](/sv/notes/safari-underline-font-subset/)\nbeskriver webbplatsens latinska och kyrilliska Ubuntu-typsnitt för brödtext som\nsex varianter, tre vikter med latinska tecken och tre med kyrilliska, så att en\nukrainsk sida sätts i samma typsnitt som en engelsk. Varje variant deklarerar\ndet teckenintervall den täcker. Intervallen styr valet av typsnitt för tecknen\npå sidan; en uttrycklig förladdning kan också begära en fil innan webbläsaren\nnormalt hittar den. Den kyrilliska deklarationen anger sitt intervall i\nkodpunkter:\n\n```text\nunicode-range: U+0400-045F, U+0490-0491;\n```\n\nDet första intervallet går från Ѐ till џ och rymmer de ukrainska Є, І och Ї\ntillsammans med resten av det grundläggande kyrilliska alfabetet. Det andra\nrymmer bara Ґ och ґ, som ligger längre fram i det kyrilliska blocket.\nIntervallen anger för vilka tecken ett typsnitt får väljas, men typsnittet\nmåste också innehålla tecknens glyfer. De garanterar inte att en sida hämtar\nfiler för bara ett skriftsystem. Engelsk och dansk text använder de latinska\nvarianterna, men den ukrainska språketiketten kan behöva en kyrillisk variant,\noch webbplatsen förladdar uttryckligen den lätta kyrilliska varianten för\nbrödtext på icke-kyrilliska sidor för skärmvisning.\n\n## Var det går fel\n\n**Längden räknas i kodenheter.** JavaScripts `length` räknar UTF-16-enheter, så\n𐌂 räknas som två, och ett A med kombinerande ring räknas som två där en läsare\nser en bokstav. En gräns som upprätthålls i enheter avvisar text som får plats,\noch ett snitt vid en fast position kan dela ett tecken: `\"A\\u030A\".slice(0, 1)`\nbehåller A:et och tappar ringen, och delar man 𐌂 på mitten blir ett ensamt\nsurrogat kvar, som UTF-8-kodaren ersätter med U+FFFD, ersättningstecknet. Bestäm\nför varje gräns vad den räknar: byte där det är lagringen som sätter gränsen,\noch tecken så som läsaren ser dem där det är en människa som gör det.\n`Intl.Segmenter` räknar på det senare sättet, och för Umeå skrivet med\nkombinerande ring ger den 4 där `length` ger 5. Klipp bara text vid de gränser\nden rapporterar.\n\n**Likadan text jämförs enhet för enhet.** De tre formerna av Å ovan är tre olika\nsträngar för `===`, för en hashfunktion och för ett unikt index, så en kund kan\nregistrera samma namn två gånger eller inte hitta ett dokument utifrån den titel\nkunden skrev. Normalisera text till NFC där den kommer in i systemet, lagra den\nnormaliserad och jämför normaliserade former. Stabilitetsreglerna garanterar att\nen sträng som är normaliserad under en version förblir normaliserad under alla\nsenare, förutsatt att strängen bara innehåller tecken som den versionen känner\ntill, så koden som normaliserar måste vara lika ny som texten.\n\n**Tecken som ser likadana ut tas för samma tecken.** Det latinska o, det\nkyrilliska о och det grekiska ο är olika kodpunkter som de flesta typsnitt ritar\nlikadant, så två kontonamn eller två artikelnummer kan se identiska ut och\nskilja sig i ett enda tecken. Unicode håller medvetet isär dem, och konsortiets\nstandard för säkerhetsmekanismer, UTS #39, beskriver hur den sortens\nförfalskning kan begränsas. Där ett namn identifierar en person eller en\nbetalningsmottagare bör du bara tillåta en skrift per namn eller kontrollera\nnamnet mot standardens säkerhetsdata innan det godkänns.\n\n**Byte läses med fel kodning.** Text som har lagrats som UTF-8 och läses som\nwindows-1252 förvandlar blåbär till blÃ¥bÃ¤r, eftersom varje bokstav på två byte\nläses som två bokstäver på en byte var. Ordet Unicode säger inte hur texten\nskrevs som byte; det gör bara kodningsformen. Ange den överallt där text korsar\nen gräns, i HTTP-headern, på sidan, på databasanslutningen och i filformatet,\noch behandla en fil som kommer utan som en fråga till en människa och inte som\nen gissning åt koden.\n\n**Texten får skulden för en saknad glyf.** När en bokstav visas som en tom ruta\när orsaken oftast ett typsnitt som saknar en form för den kodpunkten, och själva\ntexten är intakt. Eftersom Unicode överlåter formerna åt typsnitten måste varje\ntypsnitt som en produkt använder täcka alla tecken som dess språk behöver, de\nukrainska Є, І, Ї och Ґ lika väl som А till я, annars ritar webbläsaren dem med\ndet reservtypsnitt den hittar. Anteckningen ovan anger just det som skälet till\natt webbplatsen alls serverar kyrilliska delar: utan dem skulle en ukrainsk sida\nfalla tillbaka på vad systemet nu erbjuder. Testa varje språk med hela dess\nalfabet i stället för en enstaka exempelmening.\n\n**Namn kontrolleras mot A till Z.** Ett mönster som `^[A-Za-z' -]+$` godkänner\nO'Neill och avvisar Åsa Lindström, Zoë och Ґалаґан, alltså just de namn som en\nsvensk eller ukrainsk produkt finns till för. Avgör i stället om ett tecken är\nen bokstav utifrån dess Unicode-egenskaper: i JavaScript godkänner\n`/^[\\p{L}\\p{M}' -]+$/u` alla fyra. Egenskaperna kommer från den kopia av Unicode\nCharacter Database som finns i körmiljön. Exempelvis rapporterar Node.js\n25.2.1, som används för exemplen här, Unicode 16.0; det gäller en viss byggversion och är inte en garanti för varje utgåva i\n25.x-serien. Bokstäver som har\ntillkommit i senare Unicode-versioner avvisas tills körmiljöns teckendata\nuppgraderas. Validera namn generöst och låt en människa, inte ett mönster,\navgöra de svåra fallen.\n\n## Läs mer\n\n- [About the Unicode Standard](https://www.unicode.org/standard/standard.html)\n  — konsortiets egen beskrivning av standarden, vad en version består av och\n  var den senaste publiceras.\n- [The Unicode Standard, Chapter 2: General Structure](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-2/)\n  — de tio designprinciperna, kodrymden, de tre kodningsformerna och reglerna\n  för ekvivalenta sekvenser.\n- [Unicode Character Encoding Stability Policies](https://www.unicode.org/policies/stability_policy.html)\n  — det som aldrig kan ändras när ett tecken väl har kodats, från kodpunkten\n  och namnet till normaliseringen.\n- [Unicode 18.0.0](https://www.unicode.org/versions/Unicode18.0.0/) — vad den\n  aktuella versionen tillför och de tekniska standarder som versioneras\n  tillsammans med den, bland dem sortering och säkerhet.\n- [Node.js: process.versions](https://nodejs.org/api/process.html#processversions)\n  — körmiljöns redovisning av komponentversioner, som här knyter exemplet med\n  Unicode-data till en viss byggd version av Node.js i stället för en hel\n  utgivningsserie.\n- [CSS Fonts: character ranges](https://www.w3.org/TR/css-fonts-4/#descdef-font-face-unicode-range)\n  — hur deklarerade teckenintervall och typsnittets faktiska glyftäckning\n  tillsammans avgör vilka tecken ett typsnitt kan återge.\n\n\u003chttps://engineer.company/sv/glossary/unicode/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"Hur Unicode ger varje tecken ett eget nummer, varför en bokstav kan lagras på tre sätt, och sex fel som förstör namn, längder och jämförelser i verklig text.","formats":{"gemtext":"https://engineer.company/sv/glossary/unicode/index.gmi","gopher":"https://engineer.company/sv/glossary/unicode/gophermap","html":"https://engineer.company/sv/glossary/unicode/","json":"https://engineer.company/sv/glossary/unicode/index.json","markdown":"https://engineer.company/sv/glossary/unicode/index.md","pdf":"https://engineer.company/sv/glossary/unicode/index.pdf"},"kind":"page","language":"sv","title":"Vad är Unicode?","url":"https://engineer.company/sv/glossary/unicode/","version":1}