UTF-16

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).

Propósito

Equilibrar la eficiencia espacial con la cobertura completa de Unicode donde dominan los caracteres del BMP, como en la API de Windows y la representación interna de cadenas de Java.

Mecanismo

Un punto de código del BMP (U+0000-FFFF) se almacena directamente como una unidad de 16 bits. A un punto suplementario (U+10000-10FFFF) se le resta 0x10000 y se divide en mitades de 10 bits alta y baja, desplazadas por 0xD800 y 0xDC00, formando un par sustituto. El orden de bytes lo indica el BOM (U+FEFF).

Casos de uso

Cadenas internas de la API de Windows
Representación interna de cadenas de Java/JavaScript
Almacenamiento interno de String en .NET
Almacenamiento de nombres de archivo (NTFS)

Ejemplos

entrada
```
A
```
Output
```
0x00 0x41
```
UTF-16BE, 2 bytes
entrada
```
😀
```
Output
```
0xD8 0x3D 0xDE 0x00
```
A surrogate pair, 4 bytes

Errores comunes

Ignoring surrogate pairs, producing wrong character counts: Use code-point-aware APIs or surrogate-pair-aware iteration

Términos relacionados

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.

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.

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.

El endianness es el orden de bytes de los valores multibyte en memoria: big-endian almacena primero el byte más significativo, little-endian primero el menos significativo.

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.

De UTF-8 a UTF-16

Utf8 To Utf16 — herramienta 100% del lado del cliente. Privacidad primero, sin round-trip al servidor.

References