Tabla ASCII

ASCII (Código Estadounidense Estándar para el Intercambio de Información) es un estándar de codificación de caracteres basado en el alfabeto latino. Desarrollado originalmente para la comunicación por telégrafo en la década de 1960, se convirtió en el sistema de codificación de caracteres fundamental en la informática. El ASCII estándar contiene 128 caracteres (0-127), incluyendo 33 caracteres de control y 95 caracteres imprimibles. El ASCII extendido (128-255) añade otros 128 caracteres para símbolos y caracteres internacionales, aunque la codificación varía según la región. Una tabla ASCII es especialmente útil al depurar codificaciones, caracteres de control, protocolos, secuencias de escape, terminales y formatos antiguos. Los valores decimal, hexadecimal y binario muestran cómo se almacena o transmite realmente un carácter. El texto moderno suele usar Unicode, así que ASCII cubre solo el núcleo histórico de 7 bits. Para caracteres internacionales, emojis, signos tipográficos y textos multilingües, hay que revisar también puntos de código Unicode y reglas de codificación.

ASCII (American Standard Code for Information Interchange, ANSI X3.4-1968, ISO/IEC 646:1991 IRV) es una codificación de caracteres de 7 bits que asigna códigos numéricos 0-127 a 128 caracteres. Los 32 códigos inferiores (0x00-0x1F) más 0x7F son caracteres de control heredados de los teletipos: NUL (0x00), BEL (0x07, la alerta sonora), LF (0x0A, avance de línea), CR (0x0D, retorno de carro), ESC (0x1B), DEL (0x7F), entre otros. Los códigos 0x20-0x7E son imprimibles: espacio, los dígitos 0-9 en 0x30-0x39, las letras mayúsculas A-Z en 0x41-0x5A, las letras minúsculas a-z en 0x61-0x7A y puntuación entre ellos. La codificación tiene una estructura deliberadamente regular. Los dígitos están agrupados: '0' = 0x30, '1' = 0x31, ..., '9' = 0x39. Convertir un carácter dígito a su valor numérico es `code - 0x30`. Las letras también están agrupadas: 'A' = 0x41, 'B' = 0x42, ..., 'Z' = 0x5A, y 'a' = 0x61, ..., 'z' = 0x7A. La diferencia entre mayúsculas y minúsculas para la misma letra es 0x20 (32), que es exactamente un bit activado en la posición 5 (1 << 5 = 32). Eso hace que la conversión de mayúsculas/minúsculas sea un solo XOR o OR/AND con 0x20: `code ^ 0x20` invierte mayúsculas, `code | 0x20` convierte a minúsculas, `code & 0x5F` (= `code & ~0x20`) convierte a mayúsculas. Este truco de bits es la conversión de mayúsculas más rápida posible y aparece en implementaciones de strlen/strcmp para cadenas solo ASCII. ASCII fue diseñado para teletipos de 7 bits y el código Baudot de 5 niveles que lo precedió, por lo que es anterior a los bytes de 8 bits. El rango de 'ASCII extendido' de 8 bits (0x80-0xFF) nunca fue estandarizado, razón por la cual tantas páginas de códigos (ISO 8859-1 Latin-1, Windows-1252, MacRoman, KOI8-R, IBM437) compitieron por la mitad superior. ISO 8859-1 (Latin-1) fue lo más cercano a un estándar, pero incluso carecía del símbolo del euro hasta ISO 8859-15. El rango de control C1 (0x80-0x9F) debía estar reservado (ISO 6429), pero Windows-1252 reutilizó parte de él para caracteres imprimibles — un dolor de interoperabilidad prolongado que UTF-8 finalmente resolvió. UTF-8 (RFC 3629, 2003) fue diseñado por Rob Pike y Ken Thompson en 1992 como un superconjunto compatible hacia atrás: los 128 códigos ASCII se codifican como ellos mismos en un solo byte (0x00-0x7F), por lo que cualquier texto ASCII es también un texto UTF-8 válido. Los códigos por encima de 0x7F usan secuencias de 2, 3 o 4 bytes con patrones de bits específicos (110xxxxx 10xxxxxx, 1110xxxx 10xxxxxx 10xxxxxx, 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx) para que un decodificador pueda resincronizar byte a byte tras un error. EBCDIC, en contraste, fue la codificación de 8 bits de los mainframes de IBM (EBCDIC de 8 bits era de 8 bits, no de 7 como ASCII) y asigna letras a puntos de código no contiguos ('A' = 0xC1, 'I' = 0xC9, 'J' = 0xD1, ..., con huecos que perjudican los trucos de bits y algoritmos de cadenas). Las variantes nacionales de ISO 646 reemplazaron un pequeño conjunto de caracteres ASCII con letras específicas de cada país. Por ejemplo, la variante británica reemplazó 0x23 (el '#' estadounidense) con el símbolo de libra '£', y la variante alemana reemplazó algo de puntuación con diéresis. Por esto la configuración regional de C y los archivos charmap de POSIX fueron históricamente importantes — mapeaban entre la IRV (Versión de Referencia Internacional) y las variantes nacionales. La salida de este lío es Unicode / UTF-8, que hace obsoleto todo el debate de 7 y 8 bits para cualquier proyecto nuevo.

• ASCII (ANSI X3.4-1968, ISO/IEC 646 IRV) usa 7 bits por carácter con 128 puntos de código: 33 caracteres de control (0x00-0x1F, 0x7F) y 95 caracteres imprimibles (0x20-0x7E).
• Los caracteres de control (0x00-0x1F, 0x7F) se heredaron de los teletipos: NUL, BEL (0x07, alerta sonora), LF (0x0A), CR (0x0D), ESC (0x1B), DEL (0x7F). El texto moderno aún usa LF y CR; el resto es mostly historia.
• Diseño imprimible: espacio (0x20), dígitos '0'-'9' (0x30-0x39), mayúsculas 'A'-'Z' (0x41-0x5A), minúsculas 'a'-'z' (0x61-0x7A), puntuación entre medias. Convertir '5' a 5 es `code - 0x30`; mayúscula a minúscula es `code | 0x20`.
• La conversión de mayúsculas es una sola operación de bits: XOR 0x20 invierte; OR 0x20 convierte a minúsculas; AND 0x5F (= `code & ~0x20`) convierte a mayúsculas. Esta es la conversión de mayúsculas más rápida en cualquier lenguaje y es cómo funcionan strlen/strcmp en buffers solo ASCII.
• Las extensiones de 8 bits (0x80-0xFF) nunca fueron estandarizadas, por lo que Windows-1252, ISO-8859-1, MacRoman, KOI8-R, IBM437 definieron la mitad alta de forma diferente. Windows-1252 ganó en la web y es el 'ASCII extendido' de facto que usa la mayoría del código heredado.
• UTF-8 (RFC 3629, Pike y Thompson 1992) es un superconjunto estricto de ASCII: los 128 puntos de código ASCII se codifican como ellos mismos en 1 byte; los puntos de código por encima de U+007F usan 2-4 bytes con bytes de continuación 110xxxxx 10xxxxxx, para que los decodificadores puedan resincronizar byte a byte tras errores.
• EBCDIC (IBM, mainframes de los años 60) es la alternativa de 8 bits a ASCII usada en IBM z/OS. Las posiciones de las letras no son contiguas ('A'=0xC1, 'I'=0xC9, 'J'=0xD1), por lo que el truco de conversión de mayúsculas de ASCII no funciona y los algoritmos de desplazamiento de bits como tolower() necesitan tablas de búsqueda.
• Las variantes nacionales de ISO 646 (Reino Unido, Alemania, Suecia, etc.) reemplazaron un pequeño conjunto de caracteres ASCII con letras específicas del país: la variante británica cambió '#' por '£' en 0x23, la variante alemana cambió puntuación por diéresis. Localización pre-Unicode en pocas palabras.