CODIFICA UNICODE

Unicode era stato originariamente pensato come una codifica a 16 bit (quattro cifre esadecimali) che dava la possibilità di codificare 65.536 caratteri. Tanto si riteneva essere sufficiente per rappresentare i caratteri impiegati in tutte le lingue scritte del mondo. Ora invece lo standard Unicode, che tendenzialmente è perfettamente allineato con la norma ISO/IEC 10646, prevede una codifica a fino 21 bit e supporta un repertorio di codici numerici che possono rappresentare circa un milione di caratteri. Ciò appare sufficiente a coprire anche i fabbisogni di codifica di scritti del patrimonio storico dell'umanità, nelle diverse lingue e negli svariati sistemi di segni utilizzati.

In realtà, solo una minima parte di questa disponibilità di codici è attualmente assegnata. Per lo sviluppo dei codici sono infatti previsti 17 "piani" ("planes", in inglese), da 00 a 10hex, ciascuno con 65.536 posizioni (quattro cifre esadecimali), ma solo i primi tre e gli ultimi tre piani sono ad oggi assegnati, e di questi il primo, detto anche BMP, è praticamente sufficiente a coprire tutte le lingue più usate.

Poiché la codifica Unicode non è molto agevole da utilizzare così com’è definita, a causa del fatto che molte delle routine già scritte si troverebbero ad avere a che fare con un elevato numero di byte nulli(specialmente per i simboli la cui codifica è rappresentabile per mezzo di un solo byte significativo), è stata definita la codifica UTF-8 (Unicode Transformation Format-8). Si tratta di una codifica che associa ad ogni carattere un numero di byte variabile da 1 fino a 6, dipendentemente dalla codifica dello stesso secondo l’Unicode di base (v. tab. sottostante): essa codifica ulteriormente le coppie di byte che rappresentano i caratteri alfanumerici, in maniera tale da non far risultare byte nulli, tranne nel caso in cui il carattere da codificare sia proprio il carattere NUL. UTF-8 è stata definita in modo che i caratteri ASCII standard (00 H - 7FH) vengano codificati su un solo byte ed assumono i valori previsti dalla codifica ASCII. Quindi tale codifica è trasparente per i caratteri ASCII standard.

Ad esempio, il simbolo del copyright (©), che secondo la codifica Unicode è rappresentato dal valore U-00A9_H (= 0000 0000 1010 1001₂), secondo la codifica UTF-8 è rappresentato come C2A9_H (= 1100001010101001₂) [00A9_H è compreso tra 0000 0080 e 0000 07FF]. Il carattere di disuguaglianza (), che secondo la codifica Unicode è rappresentato dal valore U-2260_H (= 0010 0010 0110 0000₂)  [2260_H è compreso tra 0000 0800 e 0000 FFFF], secondo la codifica UTF-8 è rappresentato come E289A0_H (=11100010 10001001 10100000₂).

Concretamente, questo repertorio di codici numerici è serializzato mediante diversi schemi di ricodifica, che consentono l'uso di codici più compatti per i caratteri usati più di frequente. È previsto l'uso di codifiche con unità da 8 bit (byte), 16 bit (word) e 32 bit (double word), descritte rispettivamente come UTF-8, UTF-16 e UTF-32.

Ecco i piani relativi alla codifica UNICODE

Tabella dei caratteri Unicode (0000-0FFF)

Come leggere le tabelle:
Per ottenere il codice esadecimale corrispondente al carattere desiderato, dovete aggiungere al valore riportato nella riga della prima colonna a destra (in giallo), il valore riportato sulla testata in grigio.

Es. Per ottenere il valore del simbolo @, occorre concatenare il valore "004" (dalla riga) con il valore "0" (dalla colonna). Si otterrà così il corrispondente valore esadecimale "0040", ovvero "40".

Utilizzare i caratteri di escape in pagine XML o HTML:
Per poter utilizzare il carattere desiderato in una pagina HTML, XHTML o in un documento XML, occorre trasformare il valore esadecimale in valore decimale, farlo precedere dal simbolo # ed includerlo tra & (e commerciale) e ; (punto e virgola).
In pratica: &# + decimale + ;

Es. Consideriamo sempre il simbolo @, che corrisponde al valore esadecimale 40 ed al valore decimale 64. La stringa da utilizzare sarà @ = @