Charset

Un jeu de caractères (charset) est la table de correspondance entre caractères et points de code ; associé à une forme d'encodage (comme UTF-8), il détermine comment le texte devient un flux d'octets.

Objectif

Établit la correspondance entre caractères et nombres afin que les ordinateurs puissent stocker, transmettre et afficher du texte.

Mécanisme

Le jeu de caractères définit la correspondance entre caractères et points de code (p. ex. U+4E2D est le point de code d'un idéogramme Han courant) ; la forme d'encodage définit comment les points de code deviennent des octets (p. ex. UTF-8 en utilise 3). Le paramètre charset de Content-Type HTTP déclare la forme d'encodage.

Cas d’usage

Déclaration de l'encodage des caractères des pages web
Réglage du charset des colonnes de bases de données
Détection et conversion de l'encodage des fichiers
Encodage des champs texte de protocoles

Exemples

entrée

Content-Type: text/html; charset=utf-8

Output

The browser decodes the page as UTF-8

Declaring the encoding form

Erreurs courantes

Confusing a character set (e.g., Unicode) with an encoding form (e.g., UTF-8): Keep them distinct: the character set defines code points, the encoding form defines bytes

Termes associés

ASCII (American Standard Code for Information Interchange) est un standard de codage de caractères sur 7 bits définissant 128 caractères (0-127), incluant lettres, chiffres, signes et caractères de contrôle.

Unicode est la norme internationale de codage de caractères qui attribue un point de code unique (U+0000 à U+10FFFF) à chaque caractère de la quasi-totalité des écritures du monde, avec un espace de 1 114 112 points.

UTF-8 est la forme d'encodage Unicode de longueur variable utilisant 1 à 4 octets par point de code ; il est entièrement rétrocompatible avec ASCII et constitue le standard de facto du web et des systèmes modernes.

UTF-16 est la forme d'encodage Unicode de longueur variable utilisant 2 ou 4 octets par point de code : les caractères du BMP occupent une unité de code de 16 bits et ceux des plans supplémentaires, une paire de substitution (2 unités).

Le BOM (marque d'ordre des octets) est le caractère Unicode U+FEFF, placé au début d'un flux de texte pour indiquer la forme d'encodage et l'ordre des octets.

Outils associés

Référence des jeux de caractères

Reference table of character encodings. Gratuit, privé, 100% côté client.

Détecteur d'encodage

Vérifie l'encodage du texte : sous-ensemble ASCII, BOM UTF-8 et caractères non ASCII. Le texte saisi est toujours réencodé en UTF-8, les encodages historiques (GBK/Big5/Shift-JIS) ne peuvent donc pas être distingués. Gratuit, privé, 100% côté client.

Convertisseur Unicode

Convert text to Unicode code points, UTF-8 hex, or UTF-16 hex online. Gratuit, privé et 100% côté client.

Détection de jeu de caractères HTML

Détecter le charset depuis la balise meta HTML.

References