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.

Objectif

Couvrir tous les points de code Unicode en restant compatible ASCII (pas d'expansion pour l'anglais), indépendant de l'ordre des octets et auto-synchronisant, ce qui convient au transport réseau.

Mécanisme

La plage du point de code détermine la longueur en octets : U+0000-007F prend 1 octet ; U+0080-07FF, 2 ; U+0800-FFFF, 3 ; U+10000-10FFFF, 4. Le nombre de bits 1 en tête du premier octet indique la longueur de la séquence.

Cas d’usage

Encodage par défaut des documents HTML/XML/JSON
Transport des corps HTTP et des e-mails
Encodage des fichiers de code source
Jeu de caractères par défaut des bases de données

Exemples

entrée
```
A
```
Output
```
0x41
```
An ASCII character, 1 byte
entrée
```
U+4E2D
```
Output
```
0xE4 0xB8 0xAD
```
A BMP CJK ideograph, 3 bytes

Erreurs courantes

Truncating a UTF-8 string mid-sequence, producing invalid bytes: Truncate at character boundaries or use encoding-aware APIs

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-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.

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.

References