Referência HTML Unicode (UTF-8)
O Consórcio Unicode
O Unicode Consortium desenvolve o padrão Unicode. Seu objetivo é substituir os conjuntos de caracteres existentes por seu formato de transformação Unicode (UTF) padrão.
O padrão Unicode tornou-se um sucesso e é implementado em HTML, XML, Java, JavaScript, E-mail, ASP, PHP, etc. O padrão Unicode também é suportado em muitos sistemas operacionais e em todos os navegadores modernos.
O Unicode Consortium coopera com as principais organizações de desenvolvimento de padrões, como ISO, W3C e ECMA.
Os conjuntos de caracteres Unicode
O Unicode pode ser implementado por diferentes conjuntos de caracteres. As codificações mais usadas são UTF-8 e UTF-16:
| Character-set | Description |
|---|---|
| UTF-8 | A character in UTF8 can be from 1 to 4 bytes long. UTF-8 can represent any character in the Unicode standard. UTF-8 is backwards compatible with ASCII. UTF-8 is the preferred encoding for e-mail and web pages |
| UTF-16 | 16-bit Unicode Transformation Format is a variable-length character encoding for Unicode, capable of encoding the entire Unicode repertoire. UTF-16 is used in major operating systems and environments, like Microsoft Windows, Java and .NET. |
Dica: Os primeiros 128 caracteres de Unicode (que correspondem um a um com ASCII) são codificados usando um único octeto com o mesmo valor binário que ASCII, tornando o texto ASCII válido também em Unicode codificado em UTF-8.
HTML 4 suporta UTF-8. HTML 5 suporta UTF-8 e UTF-16!
O padrão HTML5: Unicode UTF-8
Como os conjuntos de caracteres na ISO-8859 eram limitados em tamanho e não eram compatíveis em ambientes multilíngues, o Unicode Consortium desenvolveu o Unicode Standard.
O Padrão Unicode abrange (quase) todos os caracteres, pontuações e símbolos do mundo.
O Unicode permite o processamento, armazenamento e transporte de texto independente da plataforma e do idioma.
A codificação de caracteres padrão em HTML-5 é UTF-8.
Se uma página da Web HTML5 usa um conjunto de caracteres diferente do UTF-8, ele deve ser especificado na tag <meta> como:
Exemplo
<meta charset="ISO-8859-1">
A diferença entre Unicode e UTF-8
Unicode é um conjunto de caracteres . UTF-8 está codificando .
Unicode é uma lista de caracteres com números decimais exclusivos (pontos de código). A = 65, B = 66, C = 67, ....
Esta lista de números decimais representa a string "hello": 104 101 108 108 111
A codificação é como esses números são traduzidos em números binários para serem armazenados em um computador:
A codificação UTF-8 armazenará "hello" assim (binário): 01101000 01100101 01101100 01101100 01101111
A codificação traduz os números em binário. Os conjuntos de caracteres convertem caracteres em números.
Códigos de caracteres HTML5 UTF-8
Abaixo está uma lista de alguns dos códigos de caracteres UTF-8 suportados pelo HTML5:
| Character codes | Decimal | Hexadecimal |
|---|---|---|
| C0 Controls and Basic Latin | 0-127 | 0000-007F |
| C1 Controls and Latin-1 Supplement | 128-255 | 0080-00FF |
| Latin Extended-A | 256-383 | 0100-017F |
| Latin Extended-B | 384-591 | 0180-024F |
| Spacing Modifiers | 688-767 | 02B0-02FF |
| Diacritical Marks | 768-879 | 0300-036F |
| Greek and Coptic | 880-1023 | 0370-03FF |
| Cyrillic Basic | 1024-1279 | 0400-04FF |
| Cyrillic Supplement | 1280-1327 | 0500-052F |
| General Punctuation | 8192-8303 | 2000-206F |
| Currency Symbols | 8352-8399 | 20A0-20CF |
| Letterlike Symbols | 8448-8527 | 2100-214F |
| Arrows | 8592-8703 | 2190-21FF |
| Mathematical Operators | 8704-8959 | 2200-22FF |
| Box Drawings | 9472-9599 | 2500-257F |
| Block Elements | 9600-9631 | 2580-259F |
| Geometric Shapes | 9632-9727 | 25A0-25FF |
| Miscellaneous Symbols | 9728-9983 | 2600-26FF |
| Dingbats | 9984-10175 | 2700-27BF |