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.

Objectif

Remplacer les encodages régionaux fragmentés par un jeu de caractères unique couvrant les écritures du monde entier, éliminant le mojibake et la charge de transcodage.

Mécanisme

Les points de code s'écrivent U+XXXX et se répartissent en 17 plans. Les points doivent passer par une forme d'encodage (UTF-8/16/32) pour devenir des octets. Les caractères peuvent porter des signes combinants, donc un même caractère visuel peut correspondre à plusieurs séquences de points (normalisation NFC/NFD requise).

Cas d’usage

Contenu web multilingue et stockage en base de données
Internationalisation (i18n) et localisation (l10n)
Rendu des émojis et symboles
Échange de texte inter-plateformes

Exemples

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

Erreurs courantes

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

Termes associés

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).

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.

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.

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.

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

Convertisseur Unicode

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

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.

Déséchappement Unicode

Unicode Unescape — outil 100% côté client. Confidentialité d'abord, sans aller-retour serveur.

References