Consultation de la Table ASCII

ASCII (American Standard Code for Information Interchange) est un standard d'encodage de caractères basé sur l'alphabet latin. Développé initialement pour la communication par télégraphe, il est devenu le système d'encodage de caractères fondamental en informatique. ASCII standard contient 128 caractères (0-127), incluant 33 caractères de contrôle et 95 caractères imprimables. Une table ASCII est surtout utile pour déboguer encodages, caractères de contrôle, protocoles, séquences d’échappement, terminaux et anciens formats. Les valeurs décimales, hexadécimales et binaires montrent comment un caractère est réellement stocké ou transmis. Le texte moderne utilise généralement Unicode, donc ASCII ne couvre que le noyau historique sur 7 bits. Pour caractères internationaux, emoji, signes typographiques et textes multilingues, il faut aussi vérifier les points de code Unicode et l’encodage.

ASCII (American Standard Code for Information Interchange, ANSI X3.4-1968, ISO/IEC 646:1991 IRV) est un encodage de caractères sur 7 bits attribuant des codes numériques de 0 à 127 à 128 caractères. Les 32 premiers codes (0x00-0x1F) plus 0x7F sont des caractères de contrôle hérités des télétypes : NUL (0x00), BEL (0x07, la sonnerie d'alerte), LF (0x0A, saut de ligne), CR (0x0D, retour chariot), ESC (0x1B), DEL (0x7F), etc. Les codes 0x20-0x7E sont imprimables : espace, les chiffres 0-9 à 0x30-0x39, les lettres majuscules A-Z à 0x41-0x5A, les lettres minuscules a-z à 0x61-0x7A et la ponctuation entre elles. L'encodage a une structure délibérément régulière. Les chiffres sont groupés : '0' = 0x30, '1' = 0x31, ..., '9' = 0x39. Convertir un caractère chiffre en sa valeur numérique est `code - 0x30`. Les lettres sont également groupées : 'A' = 0x41, 'B' = 0x42, ..., 'Z' = 0x5A, et 'a' = 0x61, ..., 'z' = 0x7A. La différence entre majuscule et minuscule pour une même lettre est 0x20 (32), ce qui correspond exactement à un bit en position 5 (1 << 5 = 32). Cela rend la conversion de casse un simple XOR ou OR/AND avec 0x20 : `code ^ 0x20` inverse la casse, `code | 0x20` passe en minuscules, `code & 0x5F` (= `code & ~0x20`) passe en majuscules. Cette astuce de bits est la conversion de casse la plus rapide possible et se retrouve dans les implémentations strlen/strcmp pour les chaînes ASCII uniquement. ASCII a été conçu pour les télétypes sur 7 bits et le code Baudot sur 5 niveaux qui l'a précédé, il précède donc les octets de 8 bits. La plage « ASCII étendu » sur 8 bits (0x80-0xFF) n'a jamais été standardisée, ce qui explique pourquoi tant de pages de codes (ISO 8859-1 Latin-1, Windows-1252, MacRoman, KOI8-R, IBM437) se sont disputées la moitié haute. ISO 8859-1 (Latin-1) était ce qui se rapprochait le plus d'un standard, mais même lui manquait le signe Euro jusqu'à ISO 8859-15. La plage de contrôle C1 (0x80-0x9F) devait être réservée (ISO 6429), mais Windows-1252 en a réutilisé une partie pour des caractères imprimables — un point de douleur d'interopérabilité de longue date que l'UTF-8 a finalement résolu. L'UTF-8 (RFC 3629, 2003) a été conçu par Rob Pike et Ken Thompson en 1992 comme un sur-ensemble rétrocompatible : les 128 codes ASCII s'encodent en eux-mêmes sur un seul octet (0x00-0x7F), donc tout texte ASCII est aussi un texte UTF-8 valide. Les codes supérieurs à 0x7F utilisent des séquences de 2, 3 ou 4 octets avec des motifs de bits spécifiques (110xxxxx 10xxxxxx, 1110xxxx 10xxxxxx 10xxxxxx, 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx) permettant au décodeur de se resynchroniser octet par octet après une erreur. L'EBCDIC, en revanche, était l'encodage 8 bits d'IBM pour les ordinateurs centraux (l'EBCDIC 8 bits était sur 8 bits, pas sur 7 bits comme ASCII) et attribue des lettres à des points de code non contigus ('A' = 0xC1, 'I' = 0xC9, 'J' = 0xD1, ..., avec des lacunes qui nuisent aux astuces de bits et aux algorithmes de chaînes). Les variantes nationales d'ISO 646 remplaçaient un petit ensemble de caractères ASCII par des lettres spécifiques au pays. Par exemple, la variante britannique remplaçait 0x23 (le '#' américain) par le signe livre '£', et la variante allemande remplaçait une partie de la ponctuation par des caractères accentués. C'est pourquoi les paramètres régionaux de C et les fichiers charmap de POSIX étaient historiquement importants — ils faisaient la correspondance entre l'IRV (Version Internationale de Référence) et les variantes nationales. La solution à ce problème est Unicode / UTF-8, qui rend obsolète l'ensemble du débat 7 bits et 8 bits pour tout nouveau projet.

• ASCII (ANSI X3.4-1968, ISO/IEC 646 IRV) utilise 7 bits par caractère avec 128 points de code : 33 caractères de contrôle (0x00-0x1F, 0x7F) et 95 caractères imprimables (0x20-0x7E).
• Les caractères de contrôle (0x00-0x1F, 0x7F) étaient hérités des télétypes : NUL, BEL (0x07, sonnerie d'alerte), LF (0x0A), CR (0x0D), ESC (0x1B), DEL (0x7F). Le texte moderne utilise encore LF et CR ; le reste relève principalement de l'histoire.
• Disposition des caractères imprimables : espace (0x20), chiffres '0'-'9' (0x30-0x39), majuscules 'A'-'Z' (0x41-0x5A), minuscules 'a'-'z' (0x61-0x7A), ponctuation entre les deux. Convertir '5' en 5 est `code - 0x30` ; majuscule vers minuscule est `code | 0x20`.
• La conversion de casse est une seule opération binaire : XOR 0x20 inverse la casse ; OR 0x20 passe en minuscules ; AND 0x5F (= `code & ~0x20`) passe en majuscules. C'est la conversion de casse la plus rapide dans n'importe quel langage et c'est ainsi que fonctionnent strlen/strcmp sur les tampons ASCII uniquement.
• Les extensions sur 8 bits (0x80-0xFF) n'ont jamais été standardisées, donc Windows-1252, ISO-8859-1, MacRoman, KOI8-R, IBM437 ont tous défini la moitié haute différemment. Windows-1252 a gagné sur le web et est le « ASCII étendu » de facto utilisé par la plupart des anciens codes.
• L'UTF-8 (RFC 3629, Pike & Thompson 1992) est un sur-ensemble strict d'ASCII : les 128 points de code ASCII s'encodent comme eux-mêmes sur 1 octet ; les points de code supérieurs à U+007F utilisent 2 à 4 octets avec des octets de continuation 110xxxxx 10xxxxxx, permettant aux décodeurs de se resynchroniser octet par octet après les erreurs.
• L'EBCDIC (IBM, années 1960, ordinateurs centraux) est l'alternative 8 bits à ASCII utilisée sur IBM z/OS. Les positions des lettres ne sont pas contiguës ('A'=0xC1, 'I'=0xC9, 'J'=0xD1), donc l'astuce de conversion de casse ASCII ne fonctionne pas et les algorithmes de décalage de bits comme tolower() nécessitent des recherches en table.
• Les variantes nationales d'ISO 646 (britannique, allemande, suédoise, etc.) remplaçaient un petit ensemble de caractères ASCII par des lettres spécifiques au pays : la variante britannique a échangé '#' contre '£' à 0x23, la variante allemande a échangé de la ponctuation contre des caractères accentués. La localisation pré-Unicode en résumé.