HTML Unicode(UTF-8)Manual de referencia


Consorcio Unicode (Unicode Consortium)

El Consorcio Unicode (Unicode Consortium) desarrolló el estándar Unicode (Unicode Standard). Su objetivo es reemplazar los conjuntos de caracteres existentes utilizando el formato de transformación Unicode estándar (UTF, por sus siglas en inglés Unicode Transformation Format).

El estándar Unicode es una iniciativa exitosa, implementada en HTML, XML, Java, JavaScript, correo electrónico, ASP y PHP. El estándar Unicode también cuenta con el soporte de muchos sistemas operativos y de todos los navegadores modernos.

El Consorcio Unicode colabora con las principales organizaciones de desarrollo de estándares, como ISO, W3C y ECMA.


Conjunto de caracteres Unicode

Unicode puede implementarse mediante diferentes conjuntos de caracteres. Las codificaciones más utilizadas son UTF-8 y UTF-16:

Conjunto de caracteres Descripción
UTF-8 Los caracteres en UTF-8 pueden tener de 1 a 4 bytes de longitud. UTF-8 puede representar cualquier carácter del estándar Unicode. UTF-8 es compatible con ASCII hacia atrás. UTF-8 es la codificación preferida para correos electrónicos y páginas web.
UTF-16 El formato de transformación Unicode de 16 bits es una codificación de caracteres Unicode de longitud variable que puede codificar todo el repertorio Unicode. UTF-16 se utiliza principalmente en sistemas operativos y entornos como Microsoft Windows, Java y .NET.

Consejo:Los primeros 128 caracteres de Unicode (correspondientes uno a uno con ASCII) se codifican mediante un octeto con el mismo valor binario que ASCII, de modo que el texto ASCII válido también es válido cuando se codifica en UTF-8.

Consejo:¡Todos los procesadores HTML 4 admiten UTF-8, y todos los procesadores HTML 5 y XML admiten UTF-8 y UTF-16!


Estándar HTML5: Unicode UTF-8

Debido a que el tamaño del conjunto de caracteres de ISO-8859 es limitado y no es compatible en entornos multilingües, el Consorcio Unicode desarrolló el estándar Unicode.

El estándar Unicode cubre (casi) todos los caracteres, signos de puntuación y símbolos.

Unicode permite que el procesamiento, almacenamiento y transporte del texto sean independientes de la plataforma y el idioma.

La codificación de caracteres predeterminada en HTML-5 es UTF-8.

A continuación se enumeran algunos conjuntos de caracteres UTF-8 compatibles con HTML5:

Conjunto de caracteres Decimal Hexadecimal
Controles C0 y latín básico (C0 Controls and Basic Latin) 0-127 0000-007F
Controles C1 y suplemento Latin-1 (C1 Controls and Latin-1 Supplement) 128-255 0080-00FF
Latín extendido A (Latin Extended-A) 256-383 0100-017F
Latín extendido B (Latin Extended-B) 384-591 0180-024F

Si una página web HTML5 utiliza caracteres distintos de UTF-8, debe especificarlo en la etiqueta <meta>, como se muestra a continuación:

Ejemplo

<meta charset="ISO-8859-1">


Otras extensiones