Decodificador Unicode

Esta herramienta es compatible con \uXXXX (BMP), \UXXXXXXXX (Unicode completo), &#DDDD; (entidad HTML decimal), &#xHHHH; (entidad HTML hexadecimal) y U+XXXX (notación de punto de código) para decodificación.

UTF-8 codifica cada punto de código Unicode usando de 1 a 4 bytes. Los caracteres ASCII (U+0000 a U+007F) usan 1 byte, los caracteres latinos y otros comunes usan 2 bytes, la mayoría de caracteres CJK usan 3 bytes, y los emoji y caracteres raros usan 4 bytes.

\uXXXX usa 4 dígitos hexadecimales y puede representar caracteres en el Plano Multilingüe Básico (U+0000 a U+FFFF). \UXXXXXXXX usa 8 dígitos hexadecimales y puede representar cualquier carácter Unicode, incluyendo aquellos más allá del BMP.

Son señales de mojibake: bytes UTF-8 decodificados como Windows-1252/Latin-1. «Ã©» indica que los dos bytes UTF-8 de «é» (0xC3 0xA9) se mostraron como caracteres separados. Usa el modo Corregir texto corrupto. «ï¿½» es U+FFFD: esos bytes ya se perdieron y no se pueden recuperar.

UTF-8 codifica caracteres en 1–4 bytes y es compatible con ASCII, por eso es el estándar de la web, JSON y las API. UTF-16 usa 2 o 4 bytes (pares sustitutos más allá de U+FFFF) y lo usan internamente JavaScript, Java y Windows. Para texto web, UTF-8 es más compacto y seguro.

Un punto de código es un número asignado a un carácter en el estándar Unicode (U+00E9 para la e con acento agudo); una unidad de código es la unidad de almacenamiento que utiliza una codificación. Las unidades de código de UTF-8 son bytes de 8 bits - U+00E9 ocupa dos - mientras que las unidades de código de UTF-16 son de 16 bits, y los caracteres más allá de U+FFFF necesitan dos de ellas (un par sustituto). Las cadenas de JavaScript son UTF-16, por lo que 'hello'.length es 5, pero el .length de un emoji es 2.

El mismo carácter visible puede tener múltiples secuencias de bytes: la e con acento agudo como un carácter precompuesto (NFC) o como e más un acento combinante (NFD). NFC compone, NFD descompone, y NFKC/NFKD además pliegan los caracteres de compatibilidad (formas de ancho completo, ligaduras). Comparar o calcular el hash de la entrada del usuario sin normalizar primero es una fuente clásica de cuentas duplicadas y búsquedas fallidas - la ligadura fi frente a f+i.

La marca de orden de bytes es U+FEFF codificada al inicio de un flujo (EF BB BF en UTF-8) para indicar la codificación. Los editores suelen ocultarla, pero aguas abajo se convierte en un primer carácter invisible: un encabezado CSV gana una clave fantasma, el análisis de JSON falla por el token suelto, y las sesiones de PHP la emiten antes de los encabezados. UTF-8 no necesita BOM ya que no tiene ambigüedad de orden de bytes - guarda sin él.