Deux mots sur UTF-8

1. L'idée est de représenter
   
   • les 128 premiers caractères (ASCII) sur un seul octet, comme par le passé,
     
   • de consacrer deux octets aux 1920 caractères suivants (toutes les lettres latines accentuées
     les alphabets grec, arabe, hébreu, cyrillique, arménien et copte)
     
   • et trois octets aux autres, supposés moins fréquents.
     Notamment, les caractères devanâgari sont représentés en UTF-8 par trois octets.
     
   • Les caractères chinois, quant à eux, pourront demander quatre octets.
     
     
2. Exemple : le caractère Unicode n° 945 est la lettre grecque alpha minuscule "α"
   945 = x03B1 ce qui s'écrit en binaire sur 2 octets 0000 0011 1011 0001.
   Les 11 derniers bits "011 1011 0001" se répartissent dans cet ordre à l'intérieur d'une matrice de deux octets
   à 11 places (5 + 6) 110xxxxx 10xxxxxx,
   ce qui donne finalement la représentation de "α" en UTF-8 : 11001110 10110001 = <CE><B1>
   Voyez l'article de Wikipedia en anglais pour en savoir davantage.
   
   
3. Règle : le dernier chiffre hexadécimal du numéro Unicode d'un caractère se retrouve identique
   comme dernier chiffre de sa représentation en UTF-8.
   
   
4. Un procédé pour déterminer "sans calcul" la représentation UTF-8 des caractères devanagari :
   
   • Ils ont des numéros allant de 2304  à 2431 (en décimal), soit x0900 à  097F (en hexa).
     Leur premier chiffre hexa est donc toujours 0, ce qui signifie que
     seuls les 12 derniers bits sont "utiles" pour les distinguer.
     
     
   • Il s'ensuit que :
     tous les caractères nagâri en UTF-8 sont de la forme <E0> <Ax> <yz>.
     
     
   • où (en comptant 3 quartets non nuls = 12 bits)
     
     • x = les deux derniers bits du premier quartet (non nul) + les deux premiers du deuxième quartet
       
     • y = 10 (de la matrice) + les deux derniers bits du deuxième quartet
       
     • z est exactement le 3ème quartet.