Unicode

Ce que c'est

Unicode est la norme qui attribue un numéro propre à chaque lettre,
chiffre, signe de ponctuation et symbole des systèmes d'écriture du
monde. Ses responsables parlent du codage universel des caractères :
il permet d'échanger, de traiter et d'afficher partout les textes
des langues et des domaines techniques du monde moderne, tout en
représentant aussi des écritures anciennes et des textes
historiques. Un même répertoire réunit le å danois, le Ґ ukrainien,
le signe euro et les lettres d'écritures que personne n'utilise
depuis des siècles : un même document ou une même colonne de base de
données peut donc tous les contenir.

À proprement parler, une version d'Unicode comprend plusieurs
parties coordonnées : la spécification centrale, les tableaux de
caractères, les annexes et une base de données des caractères, des
fichiers lisibles par machine qui consignent les propriétés de
chaque caractère. Le Comité technique Unicode la maintient en
continu, le Consortium Unicode la publie et la version 18.0 a été
annoncée le

16 septembre 2026.

Le numéro attribué à un caractère est son point de code. L'espace de
codes va de 0 à 10FFFF en hexadécimal, soit 1 114 112 points de code
au total ; un point de code s'écrit U+ suivi d'au moins quatre
chiffres hexadécimaux : å est U+00E5, Ґ est U+0490 et le signe euro
est U+20AC. La politique de stabilité du Consortium garantit qu'un
caractère codé conserve définitivement sa place : il n'est jamais
déplacé ni retiré, et son nom ne change jamais ; un texte codé
aujourd'hui garde donc le même sens dans toutes les versions
ultérieures.

Deux distinctions sont au cœur de la norme. La première sépare le
caractère du glyphe. Unicode code le caractère, la lettre abstraite,
et laisse sa forme à la police : la spécification centrale indique
que la forme des glyphes relève des fournisseurs de polices et ne
fait pas partie de la norme. Le même point de code peut avoir deux
apparences dans deux polices, et une police qui ne possède aucune
forme pour lui ne peut pas le dessiner. La seconde distinction
sépare le point de code des octets qui le stockent. Les trois formes
de codage Unicode sont UTF-8, UTF-16 et UTF-32 ; elles représentent
chaque point de code par une ou plusieurs unités de 8, 16 ou 32
bits. La spécification qualifie de piège la tentative d'opposer
« UTF-8 à Unicode » : les trois sont des façons également valides de
représenter les mêmes caractères.

Pourquoi c'est important

Avant Unicode, chaque écriture avait ses pages de codes, et un octet
ne signifiait rien sans savoir quelle page était utilisée. Dans la
page ouest-européenne windows-1252, l'octet E5 est å ; dans la page
cyrillique windows-1251, ce même octet est la lettre е. Aucune ne
pouvait contenir les lettres de l'autre : windows-1251 contient Ґ,
mais pas å, æ ni ø ; windows-1252 fait l'inverse. Un produit en
danois et en ukrainien exigeait deux codages et une indication
fiable du codage de chaque texte ; une phrase citant les deux
langues ne tenait dans aucun des deux.

Unicode a supprimé cette gestion. Toutes les langues publiées par un
produit et tous les noms saisis dans un formulaire par un client
tiennent dans un seul jeu de caractères ; le même numéro désigne le
même caractère sur tous les systèmes qui le lisent. Une base de
données, une API et un navigateur peuvent ainsi échanger du texte
sans convenir d'abord d'une page de codes.

La norme tranche aussi des questions que chaque programme réglerait
autrement à sa façon. Elle unifie les caractères entre les langues :
la virgule est un même caractère, qu'elle sépare les milliers, comme
en anglais, ou les décimales, comme en français ; le sens vient donc
de la locale et non du point de code. Elle n'unifie pas les
écritures : le o latin, le о cyrillique et le ο grec se ressemblent
dans la plupart des polices, mais sont trois caractères, parce
qu'ils appartiennent à trois écritures et que les anciens codages
les distinguaient déjà. Elle consigne aussi les séquences
équivalentes. Å peut être stocké comme un caractère précomposé ou
comme A suivi d'un diacritique rond en chef ; la norme définit les
deux comme canoniquement équivalents, à afficher et à interpréter de
la même manière, et propose des formes de normalisation qui les
ramènent à une représentation convenue.

Cette généralité a un prix, payé par le programmeur. Un caractère
n'est pas un octet, pas toujours une seule unité d'une chaîne, et
pas toujours ce qu'un lecteur compte comme une lettre. Le code qui
confond ces trois notions réussit ses tests sur des données
anglaises et échoue sur les noms, adresses et messages des personnes
auxquelles il est destiné.

À quoi cela ressemble en pratique

JavaScript rend ces couches visibles. Une chaîne est une suite
d'unités de code UTF-16 ; la décomposer dans un tableau la sépare en
points de code :

```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);
}
```

Exécuté avec Node.js 25, ce code affiche chaque caractère, son point
de code, sa longueur en unités UTF-16 et sa longueur en points de
code :

```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 dernière ligne est une lettre du vieil italique. Son point de
code est au-delà de U+FFFF : UTF-16 la stocke donc en deux unités,
une paire de substituts, et `length` annonce 2 pour un seul
caractère.

L'équivalence se voit de la même manière. Voici trois chaînes qui
s'affichent toutes comme 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 première est la lettre précomposée, U+00C5. La deuxième est un
simple A suivi de U+030A, le diacritique rond en chef. La troisième
est U+212B, le symbole angström, que la base de données des
caractères Unicode fait correspondre à U+00C5. Comparées telles
quelles, ce sont trois chaînes différentes ; après normalisation en
NFC, elles sont identiques. Rien à l'écran ne les distingue : une
recherche, un index unique ou une connexion qui compare les chaînes
brutes voit donc trois noms différents.

Ce site dépend des points de code à un endroit moins visible. La
note sur le soulignement qui traversait chaque lettre décrit les six
variantes latines et cyrilliques de la police Ubuntu utilisées pour
le texte courant : trois graisses pour le latin et trois pour le
cyrillique, afin qu'une page ukrainienne utilise la même police
qu'une page anglaise. Chaque variante déclare la plage de caractères
qu'elle couvre. Ces plages guident le choix de la police pour les
caractères de la page ; un préchargement explicite peut aussi
récupérer un fichier avant la découverte normale des polices. La
déclaration cyrillique donne sa plage en points de code :

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

La première plage va de Ѐ à џ et contient les caractères ukrainiens
Є, І et Ї ainsi que le reste de l'alphabet cyrillique de base. La
seconde ne contient que Ґ et ґ, situés plus loin dans le bloc
cyrillique. Les plages déclarent quelle variante de police peut être
choisie pour un caractère, mais la police doit aussi contenir son
glyphe. Elles ne garantissent pas qu'une page ne récupère que des
fichiers pour une seule écriture. Les textes anglais et danois
utilisent les variantes latines, mais le libellé de la langue
ukrainienne peut nécessiter une variante cyrillique ; le site
précharge aussi explicitement la variante cyrillique légère du texte
courant sur les pages non cyrilliques pour l'affichage à l'écran.

Où les problèmes surviennent

La longueur est comptée en unités de code. Le `length` de JavaScript
compte les unités UTF-16 : 𐌂 en compte donc deux, et un A avec un
diacritique rond en chef en compte deux là où le lecteur voit une
lettre. Une limite exprimée en unités refuse du texte qui tient, et
une coupure à une position fixe peut scinder un caractère :
`"A\u030A".slice(0, 1)` garde le A et perd le rond ; couper 𐌂 en
deux laisse un substitut isolé que l'encodeur UTF-8 remplace par
U+FFFD, le caractère de remplacement. Décidez ce que compte chaque
limite : des octets lorsque le stockage l'impose, des caractères
tels que les voit le lecteur lorsque la limite est destinée à une
personne. `Intl.Segmenter` compte ces derniers : pour Århus écrit
avec un diacritique rond en chef, il renvoie 5 là où `length`
renvoie 6. Ne coupez le texte qu'aux frontières qu'il indique.

Des textes égaux sont comparés unité par unité. Les trois formes de
Å ci-dessus sont trois chaînes différentes pour `===`, pour un
hachage et pour un index unique : un client peut donc inscrire deux
fois le même nom ou ne pas retrouver un document sous le titre qu'il
a saisi. Normalisez le texte en NFC à son entrée dans le système,
stockez-le normalisé et comparez les formes normalisées. La
politique de stabilité garantit qu'une chaîne normalisée avec une
version le reste dans toutes les versions ultérieures, à condition
qu'elle ne contienne que des caractères connus de cette version : le
code de normalisation doit donc être aussi récent que le texte.

Des caractères ressemblants passent pour identiques. Le o latin, le
о cyrillique et le ο grec sont des points de code différents que la
plupart des polices dessinent de la même manière : deux noms de
compte ou deux codes de produit peuvent donc sembler identiques tout
en différant d'un caractère. Unicode les distingue volontairement,
et sa norme sur les mécanismes de sécurité, UTS #39, explique
comment limiter ces usurpations. Lorsqu'un nom identifie une
personne ou un bénéficiaire, autorisez une seule écriture par nom ou
vérifiez-le avec les données de sécurité de la norme avant de
l'accepter.

Les octets sont lus avec le mauvais codage. Un texte stocké en UTF-8
et lu en windows-1252 transforme blåbær en blÃ¥bÃ¦r, car chaque
lettre de deux octets est lue comme deux lettres d'un octet. Le mot
Unicode ne dit pas comment les octets ont été écrits ; seule la
forme de codage l'indique. Déclarez-la à chaque frontière franchie
par le texte : dans l'en-tête HTTP, dans la page, sur la connexion à
la base de données et dans le format du fichier. Traitez un fichier
qui arrive sans cette indication comme une question pour une
personne plutôt qu'une devinette pour le code.

Un glyphe manquant est imputé au texte. Lorsqu'une lettre apparaît
comme une case vide, la cause habituelle est une police sans forme
pour ce point de code ; le texte lui-même est intact. Unicode
laissant les formes aux polices, chaque police utilisée par un
produit doit couvrir tous les caractères nécessaires à ses langues,
Є, І, Ї et Ґ comme А à я ; sinon, le navigateur les dessine avec la
police de remplacement qu'il trouve. La note citée explique pourquoi
le site sert du cyrillique : sans lui, une page ukrainienne
utiliserait ce que propose le système. Testez chaque langue avec
tout son alphabet plutôt qu'une phrase d'exemple.

Les noms sont vérifiés uniquement de A à Z. Une expression comme
`^[A-Za-z' -]+$` accepte O'Neill et rejette Søren Ågård, Zoë et
Ґалаґан, précisément les noms qu'un produit danois ou ukrainien doit
prendre en charge. Vérifiez plutôt les lettres par leurs propriétés
Unicode : en JavaScript, `/^[\p{L}\p{M}' -]+$/u` accepte les quatre.
Ces propriétés viennent de la copie de la base de données des
caractères Unicode intégrée au moteur d'exécution. Par exemple, le
moteur Node.js 25.2.1 utilisé pour ces exemples annonce Unicode
16.0 ; il s'agit d'une compilation précise, sans garantie pour
toutes les versions 25.x. Les lettres ajoutées dans des versions
Unicode ultérieures échouent au test jusqu'à la mise à jour des
données de caractères du moteur. Validez les noms avec souplesse et
laissez une personne plutôt qu'une expression décider des cas
difficiles.

Pour aller plus loin

  * À propos du standard Unicode — la description de la norme par le
Consortium, les éléments d'une version et l'endroit où la plus
récente est publiée.

  * Le standard Unicode, chapitre 2 : structure générale — les dix
principes de conception, l'espace de codes, les trois formes de
codage et les règles d'équivalence des séquences.

  * Politiques de stabilité du codage des caractères Unicode — ce
qui ne peut jamais changer une fois un caractère codé, de son point
de code et de son nom à sa normalisation.

  * Unicode 18.0.0 — les ajouts de la version actuelle et les normes
techniques versionnées avec elle, dont le classement et la sécurité.

  * Node.js : process.versions — le relevé des versions des
composants du moteur, utilisé ici pour rattacher l'exemple des
données Unicode à une compilation de Node.js plutôt qu'à une lignée
entière de versions.

  * CSS Fonts : plages de caractères — comment les plages déclarées
et la couverture réelle des glyphes de la police déterminent
ensemble quels caractères une variante de police peut afficher.

hCette page sur le Web	URL:https://engineer.company/fr/glossary/unicode/	engineer.company	70
