Codifica Unicode

Unicode

Il sistema di codifica dei caratteri Unicode è un sistema standardizzato che assegna un numero univoco a ogni carattere, simbolo o segno di punteggiatura utilizzato nelle lingue umane.
Unicode fornisce un modo per rappresentare testi di qualsiasi lingua, superando le limitazioni dei sistemi di codifica precedenti come ASCII.
In Unicode ogni carattere è rappresentato da un numero intero chiamato "code point".
I code point vanno da U+0000 a U+10FFFF (da 0 a 1'114'111 in decimale) e sono espressi in formato esadecimale.
Ci sono diverse modalità di codifica dei code point, tra cui UTF-8, UTF-16 e UTF-32, che determinano come i code point vengono rappresentati in memoria o in file.
UTF-8 è la forma più comune di codifica.
In UTF-8 i code point vengono rappresentati utilizzando da 1 a 4 byte.
In UTF-16 i code point vengono rappresentati utilizzando 2 o 4 byte.
In UTF-32 i code point vengono rappresentati utilizzando sempre 4 byte per ogni carattere.

UTF-8

UTF-8 è un sistema di codifica dei caratteri Unicode che rappresenta ogni carattere con una sequenza variabile da 1 a 4 byte.
È progettato per essere efficiente in termini di spazio, in particolare per testi in lingue occidentali e per la compatibilità con ASCII, il sistema di codifica più comune.
La struttura di UTF-8 è tale che i caratteri più comuni utilizzano meno byte, mentre quelli meno comuni utilizzano più byte, rendendolo efficiente per la maggior parte dei testi.
In UTF-8, i primi 128 caratteri (0-127) corrispondono esattamente a quelli di ASCII, e occupano 1 byte. Un testo ASCII è anche un testo UTF-8 valido.
I caratteri al di fuori del set ASCII utilizzano più byte per la loro rappresentazione.
Questo schema di codifica consente a UTF-8 di essere compatibile con ASCII, supportare un'ampia gamma di caratteri e garantire una buona efficienza di archiviazione e trasmissione per testi multilingue.
UTF-8 è diventato il sistema di codifica dei caratteri più diffuso su Internet e in molti sistemi informatici moderni.

Code Point (Hex)	Code Point (Bin)	UTF-8 Encoding (Binary)
U+0000 - U+007F	0xxxxxxx	0xxxxxxx
U+0080 - U+07FF	00000xxx xxxxxxxx	110xxxxx 10xxxxxx
U+0800 - U+FFFF	xxxxxxxx xxxxxxxx	1110xxxx 10xxxxxx 10xxxxxx
U+010000 - U+10FFFF	000xxxxx xxxxxxxx xxxxxxxx	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

Equivalente ASCII

Latino base (caratteri ASCII) da 0x0000 a 0x007F

Equivalente ASCII esteso

Latino esteso (caratteri ASCII) da 0x0080 a 0x00FF

Altri set di caratteri

Latino esteso A da 0x0100 a 0x017F
Latino esteso B da 0x0180 a 0x024F
Estensione IPA da 0x0250 a 0x02AF
Greco da 0x0370 a 0x03FF
Cirillico da 0x0400 a 0x052F
Arabo da 0x0600 a 0x06FF
Lettere simboli da 0x2100 a 0x214F
Forme numeriche da 0x2150 a 0x218F
Frecce da 0x2190 a 0x21FF
Operatori matematici da 0x2200 a 0x22FF
Alfanumerici chiuso da 0x2460 a 0x24FF
Disegno da 0x2500 a 0x25FF
Simboli da 0x2600 a 0x26FF
Emoji da 0x1F600 a 0x1F64F