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

  1. Identifie le caractère ou le point de code dont tu parles.
  2. Nomme séparément le système de caractères et l’encodage en octets.
  3. 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.

Et maintenant ?

Questions proches

← Toutes les questions-réponses