Convertidor Unicode

Unicode es un estándar de la industria informática que codifica la mayoría de los sistemas de escritura del mundo. Cada carácter Unicode tiene un identificador numérico único llamado Punto de Código, típicamente representado en hexadecimal con prefijo U+, como U+4E2D para el carácter chino '中'. La herramienta de conversión Unicode puede convertir texto a varios formatos de representación Unicode, así como revertir codificaciones Unicode a texto. Unicode describe caracteres mediante puntos de código, mientras que codificaciones como UTF-8 definen cómo esos puntos se almacenan como bytes. Esto importa al analizar texto con emojis, acentos, caracteres CJK, símbolos, controles o escrituras mezcladas. Un carácter visible puede estar formado por varios puntos de código, especialmente con marcas combinadas, selectores de variación o secuencias emoji. La herramienta sirve para depurar mojibake, normalización, escapes, caracteres invisibles y diferencias entre conteo de caracteres y longitud en bytes.

El Estándar Unicode (ISO/IEC 10646) asigna un punto de código numérico único a cada carácter a través de 17 planos (U+0000 a U+10FFFF). El Plano Multilingüe Básico (BMP, Plano 0) cubre U+0000–U+FFFF y contiene casi todos los sistemas de escritura modernos, incluyendo los Ideogramas CJK Unificados. Los planos suplementarios (1–16) contienen escrituras históricas, CJK poco comunes, emoji y caracteres de propósito especial. La herramienta convierte entre texto legible y dos representaciones orientadas a máquina: secuencias de escape \uXXXX al estilo de JavaScript y la notación estándar U+XXXX. UTF-16 es la codificación interna de las cadenas de JavaScript: cada carácter del BMP se almacena como una única unidad de código de 16 bits igual a su punto de código, mientras que los caracteres suplementarios (U+10000 y superiores) se codifican como pares de sustitución: se resta 0x10000 del punto de código para obtener un valor de 20 bits, que luego se divide en un sustituto alto de 10 bits (0xD800 + ((cp - 0x10000) >> 10)) y un sustituto bajo de 10 bits (0xDC00 + ((cp - 0x10000) & 0x3FF)). El modo de codificación de la herramienta detecta puntos de código suplementarios mediante String.prototype.codePointAt() y genera el escape doble \u correcto para el formato \uXXXX. Para el formato U+XXXX, el punto de código completo se muestra directamente. El modo de descodificación analiza tres sintaxis: \uXXXX (cuatro dígitos hexadecimales, solo BMP), \u{XXXXX} (sintaxis de llaves de ES6 que soporta todo el rango Unicode) y U+XXXX (la notación estándar con hexadecimal de longitud variable). La expresión regular /\\u\{([0-9a-fA-F]+)\}/g maneja los escapes con llaves y los pasa a String.fromCodePoint(), mientras que /\\u([0-9a-fA-F]{4})/g maneja los escapes tradicionales mediante String.fromCharCode(). Mezclar ambos reconstruye correctamente los pares de sustitución cuando un carácter suplementario fue codificado como dos escapes \u. La codificación UTF-8 es relevante porque determina la longitud en bytes: un carácter del BMP como '中' (U+4E2D) se codifica como 3 bytes UTF-8 (E4 B8 AD), mientras que un emoji como '😀' (U+1F600) requiere 4 bytes (F0 9F 98 80). El contador de caracteres de la herramienta distingue entre el conteo de puntos de código y el conteo de unidades de código UTF-16, una distinción útil al depurar límites de longitud en bases de datos, APIs o campos de formulario que cuentan unidades de código en lugar de caracteres.

• Iteración de puntos de código: String.prototype.codePointAt(pos) devuelve correctamente el punto de código completo para caracteres suplementarios, a diferencia de charCodeAt() que solo devuelve el sustituto alto; la herramienta usa el operador spread [...str] para iterar por punto de código, que internamente llama al protocolo iterador de cadenas.
• Cálculo de pares de sustitución: Para un punto de código suplementario CP > 0xFFFF, el sustituto alto es Math.floor((CP - 0x10000) / 0x400) + 0xD800 y el sustituto bajo es ((CP - 0x10000) % 0x400) + 0xDC00; el modo de codificación aplica esta fórmula para producir pares \uD800\uDC00 válidos.
• Pipeline de regex de descodificación: Tres patrones se ejecutan secuencialmente: \u{XXXXX} (llaves ES6) → \uXXXX (hexadecimal de cuatro dígitos) → U+XXXX (notación estándar), con fromCodePoint() manejando las rutas de llaves y U+, y fromCharCode() manejando la ruta tradicional de cuatro dígitos.
• Estructura de bytes UTF-8: Los caracteres del BMP usan de 1 a 3 bytes UTF-8 (ASCII = 1 byte, suplemento latino = 2 bytes, CJK = 3 bytes); los caracteres suplementarios usan 4 bytes siguiendo el patrón 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx; el contador de bytes de la herramienta usa new Blob([str]).size para una medición precisa.
• Punto de código vs unidad de código: Un solo carácter visible puede ocupar múltiples puntos de código (por ejemplo, é puede ser U+00E9 o U+0065 + U+0301 con acento combinante); la herramienta reporta tanto charCount (unidades de código UTF-16) como codepointCount (valores escalares Unicode) para revelar esta discrepancia.
• Resumen de planos Unicode: Plano 0 (BMP) = escrituras modernas, Plano 1 (SMP) = históricas + emoji + matemáticas, Plano 2 (SIP) = CJK poco comunes, Plano 14 (SSP) = etiquetas + selectores de variación, Planos 15–16 = uso privado; el modo de codificación maneja correctamente todos los planos mediante codePointAt().
• Notación \u vs U+: \uXXXX es la secuencia de escape de JavaScript/Java/C (solo BMP sin llaves); U+XXXX es la notación canónica del Consorcio Unicode (mínimo 4 dígitos hexadecimales, sin límite superior); el selector de formato de la herramienta alterna entre estas representaciones.