Unicode

Unicode es el estándar internacional de codificación de caracteres que asigna un punto de código único (U+0000 a U+10FFFF) a cada carácter de casi todos los sistemas de escritura del mundo, con un espacio de 1.114.112 puntos.

Propósito

Sustituye las codificaciones regionales fragmentadas por un único juego de caracteres que cubre las escrituras globales, eliminando el mojibake y la carga de transcodificación.

Mecanismo

Los puntos de código se escriben U+XXXX y se dividen en 17 planos. Los puntos deben pasar por una forma de codificación (UTF-8/16/32) para volverse bytes. Los caracteres pueden llevar marcas combinantes, así que el mismo carácter visual puede corresponder a varias secuencias de puntos (requiere normalización NFC/NFD).

Casos de uso

Contenido web multilingüe y almacenamiento en bases de datos
Internacionalización (i18n) y localización (l10n)
Renderizado de emojis y símbolos
Intercambio de texto entre plataformas

Ejemplos

entrada
```
é
```
Output
```
U+00E9
```
The code point of é (Latin small letter e with acute)

Errores comunes

Truncating a string by character count and splitting a surrogate pair: Use surrogate-pair-aware APIs such as Intl.Segmenter

Términos relacionados

UTF-8 es la forma de codificación de longitud variable de Unicode que usa de 1 a 4 bytes por punto de código; es totalmente retrocompatible con ASCII y el estándar de facto de la web y de los sistemas modernos.

UTF-16 es la forma de codificación de longitud variable de Unicode que usa 2 o 4 bytes por punto de código: los caracteres del BMP ocupan una unidad de código de 16 bits y los del plano suplementario, un par sustituto (2 unidades).

ASCII (American Standard Code for Information Interchange) es un estándar de codificación de caracteres de 7 bits que define 128 caracteres (0-127), incluyendo letras, dígitos, signos y caracteres de control.

Un punto de código es el valor numérico que el estándar Unicode asigna a cada carácter (U+0000 a U+10FFFF), el número de posición del carácter en el espacio de códigos.

Un par sustituto es el mecanismo de UTF-16 que representa un punto de código del plano suplementario (U+10000 a U+10FFFF) usando dos unidades de código de 16 bits.

El BOM (marca de orden de bytes) es el carácter Unicode U+FEFF, colocado al inicio de un flujo de texto para indicar la forma de codificación y el orden de bytes.

Herramientas relacionadas

Convertidor Unicode

Convert text to Unicode code points, UTF-8 hex, or UTF-16 hex online. Gratis, privado y 100% del lado del cliente.

Referencia de juegos de caracteres

Reference table of character encodings. Gratis, privado, 100% del lado del cliente.

Detector de codificación

Comprueba la codificación del texto: subconjunto ASCII, BOM de UTF-8 y caracteres no ASCII. La entrada de texto siempre se recodifica como UTF-8, por lo que las codificaciones heredadas (GBK/Big5/Shift-JIS) no se pueden distinguir. Gratis, privado, 100% del lado del cliente.

Unescape Unicode

Unicode Unescape — herramienta 100% del lado del cliente. Privacidad primero, sin round-trip al servidor.

References