Inversion of codings of UTF-8 and ASCII characters

Quand une page est stockée dans le serveur en format Unicode UTF-8, mais affichée dans le navigateur par erreur en mode de caractère uni-octet, abusivement appelé ASCII, ie, en charset=windows-1252, ce caractère Unicode UTF-8 prend deux places.

Essayez le caractère é Unicode: il est doublé en é

Il était une fois dans l'Ouest de la Chine... il faisait froid en hiver.

Au contraire si votre page est stockée dans le serveur web en format ANSI/ASCII, mais affichée dans le navigateur du client par erreur en mode de caractère multi-octet UTF-8, appelé Unicode, en mode Unicode UTF-8, ie, en charset=UTF-8, ce caractère ASCII devient plus mince encore pour devenir un diamant point d'interrogation ou carré vide, comme s'il n'est pas assez costaud pour occuper même une seule place dans le monde Unicode qui est multi-octet.

En règle générale, quand votre fichier est en codage plus petit, plus maigre que le codage du navigateur à l'affichage, le diamant point d'interrogation ou carré vide � apparaît.

Essayez le caractère é ASCII: il est réduit en diamant point d'interrogation ou carré vide �.

Il �tait une fois dans l'Ouest de la Chine... il faisait froid en hiver.

Il est utile de préciser que tous les caractères ASCII du code 0 à 127 gardent toujours les mêmes codes sans changement quelque soit le codage des caractères, ASCII, GBK, Unicode...

Tous les caractères ASCII étendus du code 0 à 255 (2**8=256, uni-octet, mono-byte) peuvent être stockés soit dans un fichier ASCII, soit en format Unicode UTF-8. Le contraire n'est pas vrai, les caractères multi-octet (multi-byte) avec un code supérieur ou égal à 256, qui ne peuvent être conservés que dans un fichier Unicode comme UTF-8, ou bien dans un format spécifique (code page pays) tel le GBK pour les idéogrammes chinois.

Sur le web, un caractère Unicode peut en outre s'exprimer en code entité HTML, ainsi stocké dans un fichier du codage ASCII. Par exemple, l'idéogramme 语 signifiant Langue, peut être stocké en mode ASCII par la chaîne 语, composée uniquement des ampersand &, dièse #, suivi par des chiffres du numéro décimal de ce caractère en Unicode, et terminé par un point-virgule ;.

Citation de Mao pour tester:

Cette page est stockée dans le disque dur en format UTF-8 sans BOM. Mais je vous propose de l'afficher en différents codages. Elle peut devenir illisible si le codage diffère trop. Il faut revenir en UTF-8 si vous avez mal à la tête. Testez vous-même sur votre navigateur en cliquant sur les liens suivants:

[Auto Detection] (auto) | Arabic (ISO-8859-6) | Arabic (Windows-1256) | ASCII Western European (ISO-8859-1) | ASCII Western European (Windows-1252) | Baltic (ISO-8859-4) | Baltic (Windows-1257) | Central European (Windows-1250) | Chinese Simplified (GB18030) | Chinese Simplified (GB2312) | Chinese Simplified (GBK) | Chinese Simplified (HZ) | Chinese Traditional (Big5) | Cyrillic (ISO-8859-5) | Cyrillic (KOI8-R) | Cyrillic (KOI8-U) | Cyrillic (Windows-1251) | Greek (Windows-1253) | Hebrew (Windows-1255) | Hebrew (ISO-8859-8-l) | Celtic (ISO-8859-14) | Central European (ISO-8859-2) | Estonian (ISO-8859-13) | Greek (ISO-8859-7) | Hebrew (ISO-8859-8) | Japanese (EUC-JP) | Japanese (ISO-2022-JP) | Japanese (Shift_JIS) | Korean (EUC-KR) | Latin 9 (ISO-8859-15) | Nordic (ISO-8859-10) | Roumain (ISO-8859-16) | South European (ISO-8859-3) | Thai (TIS-620) | Turkish (ISO-8859-9) | Turkish (Windows-1254) | Unicode (UTF-16LE) | Unicode (UTF-8) | Vietnamese (Windows-1258).