ASCII, Unicode e UTF-8: Como o Computador Transforma Letras em Números

Descubra como o computador guarda letras como números, a diferença entre ASCII, Unicode e UTF-8 e por que às vezes aparecem caracteres estranhos no texto.

Compartilhar no Linkedin Compartilhar no WhatsApp

Tempo estimado de leitura: 8 minutos

Imagem do artigo ASCII, Unicode e UTF-8: Como o Computador Transforma Letras em Números

Você já abriu um arquivo ou recebeu um e-mail em que palavras como “ação” apareciam como “ação”? Esse tipo de problema tem uma explicação simples: o computador não entende letras, apenas números. Para mostrar um texto na tela, ele precisa de uma tabela que diga qual número corresponde a qual caractere. Quando o programa usa a tabela errada, o resultado vira essa mistura de símbolos. Neste artigo, você vai entender o que são ASCII, Unicode e UTF-8, como eles se relacionam e como evitar os erros mais comuns.

Por que o computador precisa transformar letras em números

Toda informação dentro de um computador é armazenada em bits, que só podem valer 0 ou 1. Agrupando bits, formamos números: 8 bits formam um byte, que pode representar valores de 0 a 255. Para guardar um texto, cada caractere precisa receber um número. Esse acordo entre caracteres e números é chamado de codificação de caracteres.

Se dois computadores usam a mesma codificação, um texto escrito em um aparece corretamente no outro. Se usam codificações diferentes, os números são interpretados de forma errada e surgem os caracteres estranhos.

ASCII: o começo de tudo

O ASCII (American Standard Code for Information Interchange) foi publicado nos Estados Unidos na década de 1960 e se tornou o padrão básico da computação. Ele usa 7 bits, o que permite representar 128 caracteres, numerados de 0 a 127. Nessa tabela estão:

  • as letras maiúsculas e minúsculas do alfabeto inglês;
  • os algarismos de 0 a 9;
  • sinais de pontuação e símbolos como @, #, $ e %;
  • caracteres de controle, como a quebra de linha e a tabulação, que não aparecem na tela, mas organizam o texto.

Alguns exemplos de códigos ASCII:

CaractereCódigo decimalCódigo binário
Espaço320100000
0480110000
A651000001
a971100001

Repare que a diferença entre “A” (65) e “a” (97) é sempre 32. Essa organização facilitava a vida dos programadores: para converter uma letra maiúscula em minúscula, bastava somar 32.

O problema dos acentos

O ASCII foi criado pensando no inglês, que não usa acentos. Para quem escreve em português, ficavam de fora letras como á, ê, õ e ç. A solução encontrada na época foi aproveitar o oitavo bit do byte, criando tabelas com 256 posições. As 128 primeiras repetiam o ASCII, e as 128 restantes eram usadas para caracteres extras.

O problema é que cada região criou a sua própria tabela estendida. Uma das mais conhecidas no Ocidente é a ISO-8859-1, também chamada de Latin-1, que inclui os acentos do português, do espanhol e do francês. Mas existiam tabelas diferentes para o grego, o russo, o hebraico e assim por diante. O mesmo número podia significar uma letra em um país e outra completamente diferente em outro. Idiomas como o chinês e o japonês, com milhares de caracteres, simplesmente não cabiam em 256 posições.

Unicode: uma tabela para todos os idiomas

Para acabar com essa confusão, surgiu o Unicode, um padrão mantido pelo Unicode Consortium. A ideia é ambiciosa: atribuir um número único a cada caractere de todos os sistemas de escrita do mundo, além de símbolos matemáticos, setas, sinais técnicos e até emojis.

Cada caractere recebe um ponto de código, escrito no formato U+ seguido de um número em hexadecimal. Por exemplo, a letra “A” é U+0041 e a letra “ç” é U+00E7. O espaço do Unicode vai de U+0000 até U+10FFFF, o que dá mais de um milhão de posições possíveis. Para manter a compatibilidade, os primeiros 128 pontos de código são exatamente os mesmos do ASCII.

UTF-8: a forma de gravar o Unicode

Aqui está um ponto que confunde muita gente: o Unicode define qual número cada caractere tem, mas não diz como esse número é gravado em bytes. Essa tarefa fica com as chamadas formas de codificação, como UTF-8, UTF-16 e UTF-32.

A mais usada hoje, de longe, é o UTF-8. Ele tem tamanho variável: cada caractere ocupa de 1 a 4 bytes, conforme a necessidade.

Tipo de caractereExemploBytes em UTF-8
Letras e símbolos do ASCIIA, 7, ?1
Letras acentuadas latinasç, ã, é2
Muitos caracteres asiáticoscaracteres chineses e japoneses3
Emojis e símbolos raros😀4

Essa característica traz duas grandes vantagens. Primeiro, qualquer texto ASCII antigo já é, automaticamente, um texto UTF-8 válido. Segundo, textos em idiomas ocidentais continuam ocupando pouco espaço. Por isso, o UTF-8 se tornou o padrão predominante em páginas da web, bancos de dados modernos e linguagens de programação.

De onde vêm os caracteres estranhos

Agora fica fácil entender o “ação”. Em UTF-8, o “ç” e o “ã” ocupam 2 bytes cada. Se um programa lê esse texto achando que ele está em Latin-1, interpreta cada byte separadamente, como se fosse um caractere independente. Resultado: cada letra acentuada vira dois símbolos sem sentido. Esse fenômeno tem até nome: mojibake, um termo de origem japonesa.

O caminho inverso também acontece. Um texto salvo em Latin-1 e aberto como UTF-8 costuma exibir o símbolo �, chamado de caractere de substituição, que indica “não consegui entender este byte”.

Dicas práticas para evitar problemas

  • Salve seus arquivos em UTF-8: a maioria dos editores de texto permite escolher a codificação na hora de salvar.
  • Atenção ao abrir arquivos CSV: planilhas exportadas de sistemas antigos podem vir em outra codificação; ao importar, escolha a codificação correta.
  • Em páginas HTML, declare a codificação: a linha <meta charset=”UTF-8″> no cabeçalho informa ao navegador como ler o texto.
  • Em bancos de dados, configure o conjunto de caracteres: usar UTF-8 desde o início evita dores de cabeça com nomes acentuados.
  • Desconfie de textos copiados entre sistemas diferentes: se surgirem símbolos estranhos, a causa quase sempre é a codificação.

Conclusão

Por trás de cada letra que você digita existe um número. O ASCII deu o primeiro passo, com 128 caracteres; o Unicode ampliou essa ideia para todos os idiomas; e o UTF-8 tornou possível gravar tudo isso de forma eficiente e compatível. Entender essa lógica ajuda a resolver problemas reais no trabalho com arquivos, planilhas e sites. Se você quer fortalecer sua base em computação, os cursos gratuitos de Informática Básica da Cursa são um ótimo ponto de partida.

Cookies, Cache e Histórico: O Que o Navegador Guarda Sobre Você

Entenda o que são cookies, cache e histórico do navegador, para que servem, quando limpar cada um e como isso afeta sua privacidade.

Sensores e Atuadores: Como o Arduino Percebe o Mundo e Age Sobre Ele

Entenda a diferença entre sensores e atuadores, como o Arduino lê sinais e aciona dispositivos, e como montar seus primeiros projetos.

Endereço IP, Máscara de Sub-rede e Gateway: O Trio Que Faz Sua Rede Funcionar

Entenda de forma prática o que são endereço IP, máscara de sub-rede e gateway padrão, e como esses três parâmetros conversam entre si.

Compressão de Arquivos: Como o ZIP Consegue Reduzir o Tamanho dos Seus Dados

Entenda como funciona a compressão de arquivos, a diferença entre métodos com e sem perda e quando cada formato faz sentido.

Expressões Regulares (Regex): O Que São e Como Usar na Prática

Aprenda o que são expressões regulares, os principais símbolos, quantificadores e como aplicar regex para buscar e validar textos.

Como Funciona o DNS: o Sistema que Traduz Nomes em Endereços na Internet

Entenda de forma simples o que é DNS, como acontece a resolução de nomes, os principais tipos de registro e por que ele é essencial para a internet.

INNER JOIN, LEFT JOIN e RIGHT JOIN: como relacionar tabelas no SQL

Entenda de forma simples como funcionam INNER JOIN, LEFT JOIN, RIGHT JOIN e FULL JOIN para combinar dados de várias tabelas no SQL.

TypeScript para iniciantes: o que é e por que ele melhora o JavaScript

Entenda o que é TypeScript, como a tipagem estática ajuda a evitar erros e por que ele se tornou essencial no desenvolvimento web moderno.