Quelle est la différence entre Unicode et UTF-8 ?
Réponse courte
Unicode associe des points de code à un vaste répertoire de caractères. UTF-8 est un encodage qui transforme ces points de code en suites d’octets, d’un à quatre octets par point de code.
Comprendre
Unicode nomme les caractères
Unicode définit un répertoire et attribue des points de code à ses caractères. Par exemple, U+00E9 désigne le caractère é précomposé. Ce point de code décrit quel caractère est visé ; il ne dit pas à lui seul quels octets sont écrits dans un fichier.
UTF-8 représente les points de code
Un encodage associe une représentation en octets au texte. UTF-8 est l’un de ces encodages Unicode : un point de code utilise de un à quatre octets. Les caractères ASCII correspondants gardent leur représentation sur un octet, ce qui permet à de nombreux textes simples de rester compatibles avec des outils ASCII.
Comparer sur un caractère
Le caractère é précomposé est encodé par E9 en Latin-1, mais par C3 A9 en UTF-8. Le caractère et son point de code Unicode restent les mêmes alors que les octets changent. Ainsi, dire qu’un fichier est « en Unicode » est moins précis que nommer son encodage, par exemple UTF-8.
Étapes
- Identifie le caractère ou le point de code dont tu parles.
- Nomme séparément le système de caractères et l’encodage en octets.
- Compare les octets produits seulement après avoir précisé l’encodage utilisé.
Exemples
- U+00E9 désigne le point de code du é précomposé dans Unicode.
- En UTF-8, é précomposé est représenté par les octets C3 A9.
- En Latin-1, ce même é est représenté par l’octet E9, ce qui illustre que l’encodage change les octets.
Pièges fréquents
- Dire qu’Unicode et UTF-8 sont deux encodages concurrents confond un répertoire de points de code avec une manière de les stocker en octets.
- Supposer que chaque caractère UTF-8 occupe toujours un octet est faux : é précomposé en demande deux.
