UTF-16

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).

Objectif

Équilibrer l'efficacité spatiale avec la couverture Unicode complète là où dominent les caractères du BMP, comme l'API Windows et la représentation interne des chaînes de Java.

Mécanisme

Un point de code du BMP (U+0000-FFFF) est stocké directement comme une unité de 16 bits. Pour un point supplémentaire (U+10000-10FFFF), on soustrait 0x10000 puis on scinde en deux moitiés de 10 bits, décalées de 0xD800 et 0xDC00, formant une paire de substitution. L'ordre des octets est indiqué par le BOM (U+FEFF).

Cas d’usage

Chaînes internes de l'API Windows
Représentation interne des chaînes Java/JavaScript
Stockage interne des String .NET
Stockage des noms de fichiers (NTFS)

Exemples

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

Erreurs courantes

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

Termes associés

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.

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.

Le endianness est l'ordre des octets des valeurs multi-octets en mémoire : gros-boutiste stocke d'abord l'octet de poids fort, petit-boutiste d'abord l'octet de poids faible.

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.

D'UTF-8 à UTF-16

Utf8 To Utf16 — outil 100% côté client. Confidentialité d'abord, sans aller-retour serveur.

References