Code Point
Un point de code est la valeur numérique que la norme Unicode attribue à chaque caractère (U+0000 à U+10FFFF), le numéro de position du caractère dans l'espace de codage.
Objectif
Donne à chaque caractère un identifiant numérique unique afin de pouvoir énumérer, rechercher et référencer les caractères indépendamment de toute forme d'encodage.
Mécanisme
Les points de code s'écrivent U+ suivi de 4 à 6 chiffres hexadécimaux. L'espace de codage est divisé en 17 plans de 65 536 points chacun ; le plan 0 (le BMP) est le plus utilisé. Tout point de code n'est pas attribué à un caractère (certains sont réservés ou dans la plage des substituts).
Cas d’usage
- Recherche et documentation des caractères Unicode
- Échappements \uXXXX dans les expressions régulières
- Classification des caractères et tests de propriétés
- Normalisation NFC/NFD
Exemples
- entrée
AOutputU+0041The code point of uppercase A
Erreurs courantes
- Confusing code points with UTF-8 bytes (U+4E2D is not 0x4E 0x2D)
- A code point must pass through an encoding form to become bytes
Termes associés
Unicode
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. GLOSSAIRE
UTF-8
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. GLOSSAIRE
Surrogate Pair
Une paire de substitution est le mécanisme UTF-16 qui représente un point de code du plan supplémentaire (U+10000 à U+10FFFF) à l'aide de deux unités de code de 16 bits. GLOSSAIRE
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. GLOSSAIRE