Unicode UTF-8

Codificación de caracteres en UTF-8 para el soporte de múltiples idiomas

¿Qué es Unicode UTF-8?

UTF-8 (Unicode Transformation Format-8) es un formato de codificación de caracteres, en el que cada caracter es representado por un octeto (8 bits). También existen UTF-16 y UTF-32. La ventaja de UTF-8 respecto a estos otros es que es compatible con versiones anteriores de ASCII.

Unicode está reemplazando al código ASCII ya que permite a los usuarios gestionar todos los lenguajes del planeta además de símbolos matemáticos que simplifican el intercambio de información científica.

UTF-8 en documentos

Para usar utf-8 en nuestros documentos se deberá especificar que se quiere usar este formato de codificación de forma explícita, en documentos de tipo HTML, XML, etc si no lo hacemos es posible que veamos caracteres extraños al abrirlos con el navegador.

Para usar este formato de codificación en páginas web HTML debemos escribir la siguiente instrucción en los encabezados del documento:

<meta http-equiv="Content-Type" content="text/html;charset=UTF-8">

En un archivo XML:

<?xml version="1.0" encoding="UTF-8" ?>

En los archivos de configuración del servidor Apache (httpd.conf) o en un archivo .htaccess

AddDefaultCharset UTF-8

En scripts PHP

<? header("content-type: text/html; charset: utf-8"); ?>

Tabla UTF-8

La tabla UTF-8 completa (o mapa de caracteres UTF-8), como os podéis imaginar, ocupa un gran tamaño, sin embargo, podéis consultarla aquí.

Para representar caracteres UTF-8 en HTML se puede hacer de la siguiente forma: Si miramos en la tabla y queremos traducir el caracter U+00C6 (Æ) que está en hexadecimal, debemos pasarlo a decimal: 00C6 = 198 (esta conversión la podemos hacer con la misma calculadora de Windows) y escribirlo así:

Æ