Conversor Unicode

Unicode é um padrão da indústria em computação que codifica a maioria dos sistemas de escrita do mundo. Cada caractere Unicode tem um identificador numérico único chamado Code Point, tipicamente representado em hexadecimal com prefixo U+, como U+4E2D para o caractere chinês '中'. A ferramenta de conversão Unicode pode converter texto em vários formatos Unicode, bem como converter codificação Unicode de volta para texto. Unicode descreve caracteres por code points, enquanto codificações como UTF-8 definem como esses pontos são armazenados em bytes. Isso importa ao analisar texto com emojis, acentos, caracteres CJK, símbolos, controles ou escritas mistas. Um caractere visível pode ter vários code points, especialmente com marcas combinadas, seletores de variação ou sequências emoji. A ferramenta ajuda a depurar mojibake, normalização, escapes, caracteres invisíveis e diferenças entre contagem de caracteres e tamanho em bytes.

O Padrão Unicode (ISO/IEC 10646) atribui um code point numérico único a cada caractere em 17 planos (U+0000 a U+10FFFF). O Plano Multilinguístico Básico (BMP, Plano 0) cobre U+0000–U+FFFF e contém quase todos os sistemas de escrita modernos, incluindo Ideogramas CJK Unificados. Os planos suplementares (1–16) contêm escritas históricas, CJK raro, emoji e caracteres de uso especial. A ferramenta converte entre texto legível e duas representações orientadas a máquina: sequências de escape \uXXXX no estilo JavaScript e a notação padrão U+XXXX. UTF-16 é a codificação interna das strings em JavaScript — cada caractere BMP é armazenado como uma única unidade de código de 16 bits igual ao seu code point, enquanto caracteres suplementares (U+10000 e acima) são codificados como pares substitutos: 0x10000 é subtraído do code point para gerar um valor de 20 bits, que é então dividido em um substituto alto de 10 bits (0xD800 + ((cp - 0x10000) >> 10)) e um substituto baixo de 10 bits (0xDC00 + ((cp - 0x10000) & 0x3FF)). O modo de codificação da ferramenta detecta code points suplementares via String.prototype.codePointAt() e gera o escape \u correto com dois elementos para o formato \uXXXX. Para o formato U+XXXX, o code point completo é exibido diretamente. O modo de decodificação analisa três sintaxes: \uXXXX (quatro dígitos hexadecimais, apenas BMP), \u{XXXXX} (sintaxe de chaves do ES6 suportando toda a faixa Unicode) e U+XXXX (a notação padrão com hexadecimal de comprimento variável). A regex /\\u\{([0-9a-fA-F]+)\}/g trata os escapes com chaves e os envia para String.fromCodePoint(), enquanto /\\u([0-9a-fA-F]{4})/g trata os escapes tradicionais via String.fromCharCode(). A mistura correta dos dois reconstrói pares substitutos quando um caractere suplementar foi codificado como dois escapes \u. A codificação UTF-8 é relevante porque determina o comprimento em bytes: um caractere BMP como '中' (U+4E2D) é codificado como 3 bytes UTF-8 (E4 B8 AD), enquanto um emoji como '😀' (U+1F600) requer 4 bytes (F0 9F 98 80). O contador de caracteres da ferramenta distingue entre contagem de code points e contagem de unidades de código UTF-16 — uma distinção útil ao depurar limites de comprimento em bancos de dados, APIs ou campos de formulário que contam unidades de código em vez de caracteres.

• Iteração por code point: String.prototype.codePointAt(pos) retorna corretamente o code point completo para caracteres suplementares, diferentemente de charCodeAt() que retorna apenas o substituto alto — a ferramenta usa o operador spread [...str] para iterar por code point, que internamente chama o protocolo iterador de string.
• Cálculo de par substituto: Para um code point suplementar CP > 0xFFFF, o substituto alto é Math.floor((CP - 0x10000) / 0x400) + 0xD800 e o substituto baixo é ((CP - 0x10000) % 0x400) + 0xDC00 — o modo de codificação aplica essa fórmula para produzir pares \uD800\uDC00 válidos.
• Pipeline de regex de decodificação: Três padrões são executados sequencialmente — \u{XXXXX} (chaves ES6) → \uXXXX (hexadecimal de quatro dígitos) → U+XXXX (notação padrão) — com fromCodePoint() tratando os caminhos de chaves e U+ e fromCharCode() tratando o caminho tradicional de quatro dígitos.
• Estrutura de bytes UTF-8: Caracteres BMP usam 1–3 bytes UTF-8 (ASCII = 1 byte, suplemento latino = 2 bytes, CJK = 3 bytes); caracteres suplementares usam 4 bytes seguindo o padrão 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx — o contador de bytes da ferramenta usa new Blob([str]).size para medição precisa.
• Code point vs unidade de código: Um único caractere visível pode ocupar múltiplos code points (ex.: é pode ser U+00E9 ou U+0065 + U+0301 com acento agudo combinante) — a ferramenta reporta tanto charCount (unidades de código UTF-16) quanto codepointCount (valores escalares Unicode) para revelar essa discrepância.
• Visão geral dos planos Unicode: Plano 0 (BMP) = escritas modernas, Plano 1 (SMP) = histórico + emoji + matemática, Plano 2 (SIP) = CJK raro, Plano 14 (SSP) = tags + seletores de variação, Planos 15–16 = uso privado — o modo de codificação trata corretamente todos os planos via codePointAt().
• Notação \u vs U+: \uXXXX é a sequência de escape de JavaScript/Java/C (apenas BMP sem chaves); U+XXXX é a notação canônica do Consórcio Unicode (mínimo 4 dígitos hexadecimais, sem limite superior) — o alternador de formato da ferramenta alterna entre essas representações.