Vous avez sans doute déjà reçu un message où « été » s’affichait « été », ou ouvert un fichier rempli de petits losanges avec un point d’interrogation. Ces caractères étranges ne sont pas dus à une panne : ils viennent d’un malentendu entre deux programmes sur la façon de transformer des lettres en nombres. Pour le comprendre, il faut connaître trois noms qui reviennent sans cesse en informatique : ASCII, Unicode et UTF-8. Voici une explication simple, avec des exemples tirés du français.
Pour un ordinateur, une lettre est un nombre
Un ordinateur ne manipule que des bits, c’est-à-dire des 0 et des 1. Regroupés par huit, ils forment un octet, capable de représenter 256 valeurs différentes (de 0 à 255). Pour enregistrer un texte, il faut donc une convention qui associe chaque caractère à un nombre. Cette convention s’appelle un codage de caractères. Tant que l’expéditeur et le destinataire utilisent le même codage, tout s’affiche correctement. Dès qu’ils diffèrent, les problèmes commencent.
ASCII : la base historique
L’ASCII (American Standard Code for Information Interchange) a été publié aux États-Unis dans les années 1960. Il utilise 7 bits et définit 128 caractères : les lettres non accentuées en majuscules et minuscules, les chiffres, la ponctuation courante et des caractères de contrôle comme le retour à la ligne.
| Caractère | Code décimal | Code hexadécimal |
|---|---|---|
| Espace | 32 | 20 |
| 0 | 48 | 30 |
| A | 65 | 41 |
| a | 97 | 61 |
Problème : l’ASCII a été conçu pour l’anglais. Il ne contient ni « é », ni « è », ni « à », ni « ç ». Pour écrire en français, il fallait autre chose.
Les codages « étendus » et leurs limites
La solution adoptée pendant des années a consisté à utiliser le huitième bit de l’octet pour ajouter 128 caractères supplémentaires. En Europe de l’Ouest, le codage le plus répandu était l’ISO-8859-1, aussi appelé Latin-1. Il contient la plupart des lettres accentuées françaises, mais il lui manque par exemple le « œ » et le symbole « € ». Une variante, l’ISO-8859-15 (Latin-9), a été créée notamment pour les ajouter. Windows utilisait de son côté un codage proche, le Windows-1252.
Le défaut de cette approche est évident : chaque région avait son propre tableau. Le même octet pouvait représenter une lettre accentuée en France, une lettre cyrillique en Russie et un autre symbole ailleurs. Et les langues comme le chinois ou le japonais, qui comptent des milliers de caractères, ne pouvaient pas tenir dans 256 cases.
Unicode : un numéro unique pour chaque caractère
Pour mettre fin à ce casse-tête, le standard Unicode a été créé. Son objectif : attribuer un numéro unique, appelé point de code, à chaque caractère de toutes les écritures du monde, ainsi qu’aux symboles mathématiques, aux flèches et même aux émojis. Un point de code s’écrit sous la forme U+ suivie d’un nombre hexadécimal : « A » correspond à U+0041, « é » à U+00E9 et « € » à U+20AC.
L’espace prévu par Unicode s’étend de U+0000 à U+10FFFF, soit plus d’un million de positions. Pour rester compatible, les 128 premiers points de code reprennent exactement l’ASCII.
UTF-8 : la manière d’enregistrer Unicode
Unicode indique quel numéro porte chaque caractère, mais pas comment l’écrire en octets. C’est le rôle des formats de codage comme UTF-8, UTF-16 ou UTF-32. Le plus utilisé aujourd’hui, de très loin, est l’UTF-8. Sa particularité : il utilise un nombre variable d’octets selon le caractère.
- 1 octet pour les caractères ASCII (lettres sans accent, chiffres, ponctuation simple).
- 2 octets pour les lettres accentuées comme é, è, à, ç ou œ.
- 3 octets pour de nombreux autres caractères, dont le symbole € et la plupart des caractères chinois et japonais.
- 4 octets pour les émojis et certains symboles rares.
Grâce à ce fonctionnement, tout ancien texte en ASCII est déjà de l’UTF-8 valide, et les textes en français restent compacts. C’est pourquoi l’UTF-8 est devenu le standard dominant sur le Web, dans les bases de données modernes et dans la plupart des langages de programmation.
L’explication du « é »
En UTF-8, la lettre « é » est enregistrée sous la forme de deux octets : C3 et A9 en hexadécimal. Si un logiciel lit ce texte en pensant qu’il est en Latin-1, il interprète chaque octet séparément. Or, en Latin-1, C3 correspond à « à » et A9 à « © ». Résultat : « é » devient « é ». Ce phénomène porte un nom amusant, emprunté au japonais : le mojibake.
L’erreur inverse existe aussi : un texte enregistré en Latin-1 et ouvert comme de l’UTF-8 fait apparaître le caractère de remplacement �, qui signifie « octet incompréhensible ».
Les bons réflexes au quotidien
- Enregistrez vos fichiers texte en UTF-8 : la plupart des éditeurs proposent ce choix au moment de l’enregistrement.
- Attention aux fichiers CSV : lors de l’import dans un tableur, vérifiez le codage proposé, surtout pour des fichiers issus d’anciens logiciels.
- Dans une page HTML, déclarez le codage : la balise <meta charset=”UTF-8″> indique au navigateur comment lire le texte.
- Configurez vos bases de données en UTF-8 dès le départ : cela évite de corrompre les noms et adresses accentués.
- Face à des caractères bizarres, pensez d’abord au codage : c’est la cause la plus fréquente.
Conclusion
Derrière chaque lettre affichée à l’écran se cache un nombre. L’ASCII a posé les bases avec 128 caractères, Unicode a donné un numéro à toutes les écritures du monde, et l’UTF-8 permet d’enregistrer tout cela efficacement. Comprendre ces notions aide à résoudre de vrais problèmes avec des fichiers, des tableurs ou des sites web. Pour consolider vos bases, découvrez les cours gratuits d’informatique de base proposés par Cursa.












