Unicode

Qué es

Unicode es el estándar que asigna un número propio a cada letra,
dígito, signo de puntuación y símbolo de los sistemas de escritura
del mundo. Sus responsables lo denominan la codificación universal
de caracteres: permite intercambiar, procesar y mostrar en cualquier
lugar texto de las lenguas y los ámbitos técnicos del mundo moderno,
y también representar escrituras antiguas e históricas. Un mismo
repertorio contiene la å danesa, la Ґ ucraniana, el signo del euro y
letras de escrituras que nadie ha utilizado durante siglos, de modo
que un solo documento o una sola columna de base de datos puede
contenerlos todos.

En sentido estricto, una versión de Unicode incluye varias partes
coordinadas: su especificación principal, las tablas de caracteres,
los anexos y una base de datos de caracteres formada por archivos
legibles por máquinas que registran las propiedades de cada
carácter. El Comité Técnico de Unicode lo mantiene de forma
continua, el Consorcio Unicode lo publica y la versión 18.0 se
anunció el 16 de septiembre de 2026.

El número asignado a un carácter es su punto de código. El espacio
de códigos va de 0 a 10FFFF en hexadecimal, con 1.114.112 puntos de
código en total. Un punto de código se escribe con U+ seguido de al
menos cuatro dígitos hexadecimales: å es U+00E5, Ґ es U+0490 y el
signo del euro es U+20AC. La política de estabilidad del Consorcio
promete que un carácter codificado conserva su lugar para siempre:
nunca se mueve ni se retira y su nombre nunca cambia, de modo que un
texto codificado hoy mantiene su significado en todas las versiones
posteriores.

Dos distinciones son fundamentales en el estándar. La primera separa
el carácter del glifo. Unicode codifica el carácter, la letra
abstracta, y deja su forma a la fuente: la especificación principal
establece que las formas de los glifos son responsabilidad de los
proveedores de fuentes y no forman parte del estándar. El mismo
punto de código puede verse distinto en dos tipografías, y una
tipografía que no tenga una forma para él no puede dibujarlo. La
segunda distingue el punto de código de los bytes que lo almacenan.
Las tres formas de codificación de Unicode son UTF-8, UTF-16 y
UTF-32, que escriben cada punto de código mediante una o más
unidades de 8, 16 o 32 bits. La especificación advierte de que
contraponer «UTF-8 frente a Unicode» es una trampa: las tres son
formas igualmente válidas de implementar los mismos caracteres.

Por qué importa

Antes de Unicode, cada escritura tenía sus propias páginas de
códigos y un byte no significaba nada hasta saber qué página se
usaba. En la página de Europa occidental windows-1252, el byte E5 es
å; en la cirílica windows-1251, el mismo byte es la letra е. Ninguna
podía contener las letras de la otra: windows-1251 tiene Ґ y no
tiene å, æ ni ø, y windows-1252 hace lo contrario. Un producto en
danés y ucraniano necesitaba dos codificaciones y un registro fiable
de cuál correspondía a cada texto; una oración que citara ambos
idiomas no cabía en ninguna.

Unicode eliminó esa contabilidad. Todos los idiomas en los que se
publica un producto y todos los nombres que un cliente escribe en un
formulario caben en un único conjunto de caracteres, y el mismo
número significa el mismo carácter en cualquier sistema que lo lea.
Eso permite que una base de datos, una API y un navegador se pasen
texto sin acordar primero una página de códigos.

El estándar también resuelve cuestiones que cada programa resolvería
a su manera. Unifica caracteres entre idiomas: la coma es un mismo
carácter tanto si separa millares, como en inglés, como si separa
decimales, como en francés; el significado procede de la
configuración regional, no del punto de código. No unifica entre
escrituras: la o latina, la о cirílica y la ο griega se parecen en
la mayoría de las tipografías, pero son tres caracteres porque
pertenecen a tres escrituras y las codificaciones anteriores ya los
distinguían. También registra qué secuencias son equivalentes. Å
puede almacenarse como un carácter precompuesto o como A seguida de
un anillo combinante. El estándar las define como canónicamente
equivalentes, destinadas a mostrarse e interpretarse igual, y
proporciona formas de normalización que convierten ambas en una
representación acordada.

Esa generalidad tiene un precio, que paga quien programa. Un
carácter no es un byte, no siempre es una unidad de una cadena y no
siempre coincide con lo que una persona cuenta como una letra. El
código que trata esas tres cosas como si fueran iguales supera sus
pruebas con datos en inglés y falla con los nombres, las direcciones
y los mensajes de las personas para las que se escribió.

Cómo se aplica en la práctica

JavaScript hace visibles las distintas capas. Una cadena es una
secuencia de unidades de código UTF-16 y expandirla en una matriz la
divide en puntos de código:

```js
const hex = (n) => n.toString(16).toUpperCase().padStart(4, "0");
for (const text of ["a", "å", "Ґ", "€", "𐌂"]) {
  const points = [...text].map((c) => "U+" + hex(c.codePointAt(0)));
  console.log(text, points.join(" "), text.length, [...text].length);
}
```

Al ejecutarlo en Node.js 25, imprime cada carácter, su punto de
código, su longitud en unidades UTF-16 y su longitud en puntos de
código:

```text
a U+0061 1 1
å U+00E5 1 1
Ґ U+0490 1 1
€ U+20AC 1 1
𐌂 U+10302 2 1
```

La última línea es una letra de la antigua escritura itálica. Su
punto de código está más allá de U+FFFF, así que UTF-16 la almacena
en dos unidades, un par de sustitutos, y `length` devuelve 2 para un
solo carácter.

La equivalencia se observa del mismo modo. Estas tres cadenas se
muestran todas como Å:

```js
const forms = ["\u00C5", "A\u030A", "\u212B"];
console.log("form length equal NFC");
for (const [i, s] of forms.entries()) {
  console.log(i + 1, s.length, s === forms[0], s.normalize("NFC") === forms[0]);
}
```

```text
form length equal NFC
1 1 true true
2 2 false true
3 1 false true
```

La primera es la letra precompuesta, U+00C5. La segunda es una A
simple seguida de U+030A, el anillo combinante superior. La tercera
es U+212B, el signo del ángstrom, que la base de datos de caracteres
de Unicode relaciona con U+00C5. Comparadas tal como están, son tres
cadenas distintas; después de normalizarlas a NFC, las tres son la
misma. Nada en pantalla las distingue, así que una búsqueda, un
índice único o un inicio de sesión que compare las cadenas sin
normalizar ve tres nombres diferentes.

Este sitio depende de los puntos de código en un lugar menos
visible. La nota sobre el subrayado que atravesaba todas las letras
describe las fuentes Ubuntu del cuerpo del sitio, latinas y
cirílicas, como seis variantes: tres grosores latinos y tres
cirílicos, para componer una página ucraniana con la misma
tipografía que una inglesa. Cada variante declara el rango de
caracteres que cubre. Esos rangos orientan la selección de fuentes
para los caracteres de la página; una precarga explícita también
puede solicitar un archivo antes del descubrimiento normal de
fuentes. La declaración cirílica expresa su rango en puntos de
código:

```text
unicode-range: U+0400-045F, U+0490-0491;
```

El primer rango va de Ѐ a џ y contiene las letras ucranianas Є, І y
Ї junto con el resto del alfabeto cirílico básico. El segundo solo
contiene Ґ y ґ, situadas más adelante en el bloque cirílico. Los
rangos declaran qué variante de fuente puede elegirse para un
carácter, pero la fuente también debe contener su glifo. No
garantizan que una página descargue archivos de una sola escritura.
El texto inglés y danés utiliza las variantes latinas, pero la
etiqueta del idioma ucraniano puede necesitar una cirílica; además,
el sitio precarga explícitamente la variante cirílica de grosor
ligero para el cuerpo en las páginas no cirílicas destinadas a
pantalla.

Dónde surgen los problemas

La longitud se cuenta en unidades de código. El `length` de
JavaScript cuenta unidades UTF-16, por lo que 𐌂 cuenta como dos y
una A con un anillo combinante cuenta como dos donde quien lee ve
una letra. Un límite expresado en unidades rechaza texto que cabría,
y cortar en una posición fija puede partir un carácter:
`"A\u030A".slice(0, 1)` conserva la A y elimina el anillo; cortar 𐌂
por la mitad deja un sustituto aislado que el codificador UTF-8
reemplaza por U+FFFD, el carácter de sustitución. Decida qué cuenta
cada límite: bytes cuando lo impone el almacenamiento, caracteres
tal como se ven al leer cuando lo impone una persona.
`Intl.Segmenter` cuenta estos últimos y, para Århus escrita con un
anillo combinante, devuelve 5 donde `length` devuelve 6. Corte el
texto solo en los límites que indique.

El texto equivalente se compara unidad por unidad. Las tres formas
de Å anteriores son tres cadenas distintas para `===`, para un hash
y para un índice único. Por eso, un cliente puede registrar dos
veces el mismo nombre o no encontrar un documento por el título que
escribió. Normalice el texto a NFC al entrar en el sistema,
almacénelo normalizado y compare las formas normalizadas. La
política de estabilidad garantiza que una cadena normalizada con una
versión sigue normalizada en todas las posteriores, siempre que solo
contenga caracteres conocidos por esa versión; por tanto, el código
de normalización debe estar tan actualizado como el texto.

Los caracteres parecidos pasan por ser iguales. La o latina, la о
cirílica y la ο griega son puntos de código distintos que la mayoría
de las tipografías dibujan de forma parecida. Dos nombres de cuenta
o códigos de producto pueden parecer idénticos y diferir en un
carácter. Unicode los mantiene separados deliberadamente y su
estándar de mecanismos de seguridad, UTS #39, explica cómo reducir
esta clase de suplantación. Cuando un nombre identifica a una
persona o a un destinatario de un pago, permita una sola escritura
por nombre o compruébelo con los datos de seguridad del estándar
antes de aceptarlo.

Los bytes se leen con la codificación incorrecta. El texto
almacenado como UTF-8 y leído como windows-1252 convierte blåbær en
blÃ¥bÃ¦r, porque cada letra de dos bytes se lee como dos de un byte.
La palabra Unicode no dice cómo se escribieron los bytes; solo lo
dice la forma de codificación. Declárela donde el texto cruce un
límite: en la cabecera HTTP, en la página, en la conexión a la base
de datos y en el formato del archivo. Trate un archivo que llega sin
ella como una pregunta para una persona, no como una adivinanza para
el código.

Se culpa al texto de la ausencia de un glifo. Si una letra aparece
como una caja vacía, la causa habitual es una fuente sin forma para
ese punto de código; el texto sigue intacto. Como Unicode deja las
formas a las fuentes, cada tipografía de un producto debe cubrir
todos los caracteres que necesitan sus idiomas, tanto Є, І, Ї y Ґ
como los que van de А a я; de lo contrario, el navegador los dibuja
con la fuente alternativa que encuentre. La nota anterior explica
que esa es la razón de servir cirílico en este sitio: sin él, una
página ucraniana recurriría a lo que ofreciera el sistema. Pruebe
cada idioma con todo su alfabeto, en lugar de con una oración de
muestra.

Los nombres se comprueban de la A a la Z. Un patrón como `^[A-Za-z'
i-]+$` acepta O'Neill y rechaza Søren Ågård, Zoë y Ґалаґан:		engineer.company	70
precisamente los nombres a los que debe servir un producto danés o
ucraniano. Compruebe las letras mediante sus propiedades Unicode: en
JavaScript, `/^[\p{L}\p{M}' -]+$/u` acepta los cuatro. Esas
propiedades proceden de la copia de la base de datos de caracteres
de Unicode incluida en el entorno de ejecución. Por ejemplo, el
entorno Node.js 25.2.1 utilizado aquí indica Unicode 16.0; se trata
de una compilación concreta, no de una garantía para todas las
versiones 25.x. Las letras añadidas en versiones posteriores de
Unicode no superan la comprobación hasta que se actualizan los datos
de caracteres del entorno. Valide los nombres con criterios
flexibles y deje que una persona, no un patrón, decida los casos
difíciles.

Lecturas adicionales

  * Acerca del estándar Unicode — la descripción del propio
Consorcio: de qué consta una versión y dónde se publica la más
reciente.

  * El estándar Unicode, capítulo 2: estructura general — los diez
principios de diseño, el espacio de códigos, las tres formas de
codificación y las reglas de equivalencia de secuencias.

  * Políticas de estabilidad de la codificación de caracteres
Unicode — lo que nunca puede cambiar tras codificar un carácter,
desde su punto de código y su nombre hasta su normalización.

  * Unicode 18.0.0 — las novedades de la versión actual y los
estándares técnicos que se versionan con ella, entre ellos los de
ordenación y seguridad.

  * Node.js: process.versions — el informe de versiones de los
componentes del entorno de ejecución, utilizado aquí para vincular
el ejemplo de datos Unicode a una compilación de Node.js, en vez de
a toda una serie de versiones.

  * CSS Fonts: rangos de caracteres — cómo los rangos declarados y
la cobertura real de glifos de la fuente determinan conjuntamente
qué caracteres puede representar una variante.

hEsta página en la web	URL:https://engineer.company/es/glossary/unicode/	engineer.company	70
