karakterkódolás

angolul: character encoding

alapelterjedt

A karakterkódolás az a szabályrendszer, amely megmondja, milyen számsor felel meg a betűknek és írásjeleknek a számítógépben; ma az UTF-8 a legelterjedtebb.

Érthetően

A számítógép nem ismer betűket, csak számokat. A karakterkódolás egy közös kódtábla: megmondja, hogy melyik számsor melyik betűt, számjegyet, írásjelet vagy emojit jelenti. Olyan, mint a morzeábécé, csak pontok és vonalak helyett nullákkal és egyesekkel.

A baj akkor kezdődik, ha a szöveget az egyik kódtáblával mentik el, és egy másikkal olvassák vissza. Ilyenkor lesz az „árvíztűrő”-ből „Ã¡rvÃztÅ±rÅ‘”, vagy az ő betűből õ, az ű-ből û. A szöveg nem sérült meg, csak rossz szótárral fordították vissza.

Az UTF-8 azért lett a világszabvány, mert egyetlen kódolásban elfér benne szinte minden írásrendszer: a magyar ékezetes betűk, a cirill, a kínai és az emojik is. Korábban minden régiónak és írásrendszernek saját táblája volt, és ezek egymással nem fértek össze.

Hogyan működik

Minden karakter kap egy egyedi sorszámot a Unicode nevű nemzetközi jegyzékben; az „ő” sorszáma például 337.
Az UTF-8 ezt a sorszámot 1–4 bájtra váltja át: az angol ábécé betűi 1 bájtot foglalnak, a magyar ékezetes betűk 2-t, az emojik többnyire 4-et.
A fájl vagy weboldal ideális esetben jelzi, milyen kódolással készült, például a weboldal fejlécében a „charset=utf-8” felirat.
A megnyitó program ennek alapján fordítja vissza a bájtokat betűkké; ha nincs jelzés, találgat, és ilyenkor jelennek meg a furcsa jelek.
A nyelvi modellek és az AI-agentek is így kapják a szöveget: a bájtokból előbb karakterek, azokból pedig tokenek lesznek, ezért a hibás kódolás náluk is hibás olvasást okoz.

Példa a mindennapokból

Letöltesz a webáruházadból egy ügyféllistát CSV-fájlban, megnyitod Excelben, és a „Kőszegi Győző” helyén „KĹ‘szegi GyĹ‘zĹ‘” áll. A fájl UTF-8 kódolású, az Excel viszont a Windows régebbi, közép-európai kódtáblájával próbálta olvasni. Ha importáláskor kiválasztod az UTF-8-at, a nevek helyreállnak.

Kit érint

mindenkiHa egy e-mailben, feliratfájlban vagy weboldalon furcsa jelek állnak az ékezetes betűk helyén, szinte mindig kódolási eltérés az ok.

munkavállalóTáblázatok, exportok és importok mozgatásakor a rossz kódolás elronthatja a neveket és címeket, amit utólag kell javítani. → Munka és HR

fejlesztőNeked kell gondoskodnod arról, hogy az adatbázis, a fájlok, a weboldal és az AI-agent ugyanazt a kódolást használja. → Kód

vállalkozó, vezetőA hibásan megjelenő ügyfélnév a számlán vagy hírlevélben kínos, és az adatok egyeztetését is megnehezíti.

Gyakori félreértés

TévhitHa furcsa jelek vannak a szövegben, a fájl tönkrement.

ValójábanTöbbnyire ép az adat, csak rossz kódtáblával nyitották meg; a helyes kódolás kiválasztásával visszakapod az eredeti szöveget. Valódi veszteség akkor keletkezik, ha a hibás változatot elmented és továbbdolgozol vele.

Korlátok és kockázatok

A fájlon gyakran nem látszik, milyen kódolású, a programok pedig tippelnek, és a tipp tévedhet.
Ha egy hibásan megnyitott szöveget elmentesz, majd újra átalakítasz, a hiba megduplázódhat, és nehéz visszafejteni.
Régi rendszerek, banki és számlázó exportok ma is használhatnak régebbi közép-európai kódtáblákat, ezért átvételkor érdemes ellenőrizni az ő és ű betűket.
Az UTF-8-ban egy karakter nem mindig egy bájt, így a karakterszám és a bájtban mért hossz eltér, ami hosszkorlátos mezőknél (például adatbázisban vagy űrlapon) meglepetést okozhat.

Hasonló, de nem ugyanaz

Unicode – A Unicode a karakterek sorszámozott jegyzéke, az UTF-8 pedig az egyik módszer arra, hogyan tároljuk ezeket a sorszámokat bájtokban.
titkosítás – A kódolás nyilvános, bárki által visszafejthető átírás, a titkosítás viszont kulcs nélkül olvashatatlanná teszi az adatot.
betűtípus – A kódolás azt dönti el, melyik karakterről van szó, a betűtípus csak azt, hogyan néz ki a képernyőn.

Kapcsolódó fogalmak

Tágabb

adatábrázolás, szabvány, fájlformátum

Szűkebb

UTF-8, ASCII, Latin-2

Rokon

Unicode, token, tokenizálás, CSV, bájt, bájtsorrendjel

Röviden a története

Az angol ábécére szabott ASCII kódtáblát 1963-ban szabványosították, a Unicode első változata 1991-ben jelent meg. Az UTF-8-at 1992-ben tervezte Ken Thompson és Rob Pike, és a 2000-es évek végére a web leggyakoribb kódolásává vált.

Hol tart most

2026 végén a weboldalak túlnyomó többsége UTF-8-at használ, és ez az alapértelmezés a legtöbb programozási nyelvben, a Linux és a macOS rendszerekben, valamint az AI-eszközökben. Windowson egyes programok még régi kódtáblával dolgoznak, ezért gondot főleg a régi rendszerekből érkező fájlok és egyes táblázatkezelő-importok okoznak.

Állapot: 2026. november

A hírekben

64 Agent Age-sztoriban fordul elő; a görbe a hírmagazin heti előfordulása.

A Meta felvásárolt egy AI-startupot, hogy a kódolási piac élére törjön2026. nov. 4. · Agent Age
A DeepSeek nyílt forráskódú Super-Agent prototípusa a Claude Code alternatívája lehet2026. nov. 2. · Kód
A Mistral Large 4 a legjobb nyílt modell Kínán kívül, a súlyok nyilvánosak2026. okt. 29. · Agent Age
Mistral „Le Chonk” nyílt súlyú modellje a Codex GPT-6.1 Terra mellé rangsorolt kódolásban2026. okt. 29. · Kód
A GitHub Copilot Fusion modellkeveréssel közelíti az élvonalat feleannyi költségből2026. okt. 28. · Agent Age
A Gemini 4 modellek kódolási rangsorban: a Carbon második, az Argon Android-teszten lemarad2026. okt. 26. · Kód
Atlassian-felmérés: a fejlesztők 95%-a használ AI-t, de a szállítási súrlódás marad2026. okt. 20. · Kód
Linux Foundation: az AI felezi a kódolási időt, de az új PR-ok negyede szemét2026. okt. 19. · Kód

Más nevei

karakterkódolás · kódolás · kódlap · karakterkészlet · UTF-8 · character encoding · charset · text encoding

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.