Unicode é um padrão para a codificação, representação e manipulação de texto com a intenção de suportar todos os caracteres necessários para o texto escrito que incorpora todos os sistemas de escrita, símbolos técnicos e pontuação.
Unicode é um padrão para a codificação, representação e manipulação de texto com a intenção de apoiar todos os caracteres necessários para o texto escrito que incorpora todos os sistemas de escrita, símbolos técnicos e pontuação.
O Unicode atribui a cada caractere um code point (um código numérico) como uma referência única. Exemplos:
code point | caractere |
---|---|
U+0041 | A |
U+0042 | B |
U+0043 | C |
U+039B | Λ |
U+1F4A9 | 💩 |
Unicode Transformation Format
UTFs descrevem como codificar code points para representações em bytes. As formas mais comuns são UTF-8 (que codifica os code points como uma seqüência de um, dois, três ou quatro bytes) e UTF-16 (que codifica pontos de código como dois ou quatro bytes). Exemplos:
Code Point | UTF-8 | UTF-16 (big-endian) |
---|---|---|
U+0041 | 41 | 00 41 |
U+0042 | 42 | 00 42 |
U+0043 | 43 | 00 43 |
U+039B | CE 9B | 03 9B |
U+039C | CE 9C | 03 9C |
Especificação
O Unicode Consortium também define padrões para algoritmos de ordenação, as regras para a capitalização, normalização de caractere e outras operações de caráter sensível à localidade.
Caracteres
Para obter informações gerais, consulte o artigo Unicode na Wikipedia.
Para uma explicação mais detalhada, veja esta pergunta.