UTF-16

UTF-16 est un standard de codage à longueur variable pour Unicode, successeur de UCS-2. Il a été introduit par le standard ISO/IEC 10646 afin de dépasser les limitations de UCS-2 en matière de caractères représentables. Il est en train d’être définitivement remplacé par UTF-8.

Unicode et UCS-2

Unicode est un standard permettant de représenter les symboles d’une grande partie des alphabets connus, plus d’autres utilisés dans différentes branches (mathématique, ingénierie, etc.).

À chaque symbole Unicode est associé un entier, appelé en anglais son code point, dans l’intervalle de 0x0 à 0x10FFFF (0x indique un nombre hexadécimal). Les caractères Unicode sont souvent représentés par U+ suivi du code point, par exemple U+0058 est le caractère ‘X’ de l’alphabet latin.

Unicode est subdivisé en dix-sept plans (planes en anglais), de $2^{16}$ code points chacun, ce qui fait un total de 1.112.114 codes possibles (en ce moment, environ 10% de ces codes sont utilisés). Parmi les plans on distingue le Basic Multilingual Plane (BMP), contenant les symboles les plus courants et dont les code points vont de U+0000 à U+FFFF, le Supplementary Multilingual Plane, allant de U+10000 à U+1FFFF, et le Supplementary Ideographic Plane, allant de U_20000 à U+2FFFF. Les symboles ASCII, plus précisément ceux du jeu ISO-8859-1, font partie du Basic Multilingual Plane et ont code points de U+0000 à U+00FF.

L’encodage UCS-2 est capable de représenter seulement les codes points du BMP, et fait cela en encodant les caractères par leur code point sur deux octets.

Codes subrogés et UTF-16

UTF-16 est un standard de codage qui permet de représenter tous les code points de Unicode. Les codes points du BMP sont représentés sur 2 octets, comme dans UCS-2, les codes points des plans supplémentaires sont représentés sur 4 octets.

Afin de permettre un décodage unique, une partie du BMP, la plage allant de U+D800 à U+DFFF, est réservée pour ce que l’on appelle codes subrogés. Ces codes ne représentent aucun vrai symbole : ils sont utilisés pour encoder les code points des symboles des plans supplémentaires.

La présence des codes subrogés fait de UTF-16 un code instantané, en ce sens que n’importe quelle paire d’octets au milieu d’un flux UTF-16 peut être immédiatement reconnue comme étant un symbole du BMP, ou bien un code subrogé (haut ou bas) faisant partie d’un symbole encodé sur 4 octets.

Algorithme

La longueur variable impose la nécessité de définir un algorithme de codage/décodage pour UTF-16. Étant donné un code point Unicode, son encodage UTF-16 est encodé sur 2 ou 4 octets comme suit:

• Si le code point appartient au BMP, il est écrit tel quel dans 2 octets. Ceci inclut tous les code points de U+0000 à U+D7FF et de U+E000 à U+FFFF, mais exclut les codes subrogés de U+D800 à U+DFFF qui sont réservés pour un usage interne.

• Si le code point n’appartient pas au BMP, sont code est compris entre U+10000 et U+10FFFF. L’algorithme procède ainsi:

  • On soustrait 0x10000 du code point, obtenant un code compris entre 0x0 et 0xFFFFF.
  • Le résultat de l’opération précédente tient sur 20 bits. On coupe les 20 bits en deux blocs de 10 bits chacun, appelés partie haute (les bits plus significatifs) et partie basse (les bits moins significatifs).
  • On ajoute les bits haut à 0xD800, en obtenant ainsi un code subrogé compris entre U+D800 et U+DBFF, appelé subrogé de tête.
  • On ajoute les bits bas à 0xDC00, en obtenant ainsi un code subrogé compris entre U+DC00 et U+DFFF, appelé subrogé de queue.

  Le symbole Unicode est encodé par le subrogé de tête écrit sur 2 octets, suivi par le subrogé de queue écrit sur 2 octets.

Exemple

Les symboles ‘0’ (zero) et ‘€’ (euro) font partie du BMP et on codes, respectivement, U+0030 et U+20AC. Ils sont encodés par UTF-16 sur deux octets, respectivement (0x00, 0x30) et (0x20, 0xAC).

Le symbole 😃 a pour code point U+1F603. Voici l’algorithme appliqué pas par pas.

• On soustrait 0x10000, ce qui donne 0xF603.
• On coupe 0xF603 en deux moitiés de 10 bits chacune. La partie haute donne 0x03D, et la partie basse 0x203.
• Le subrogé de tête est obtenu en additionnant 0x03D à 0xD800, ce qui donne le subrogé U+D83D.
• Le subrogé de queue est obtenu en additionnant 0x203 à 0xDC00, ce qui donne le subrogé U+DE03.

Le symbole 😃 est alors encodé par la suite de quatre octets (0xD8, 0x3D, 0xDE, 0x03).