Le codage des caractères : ASCII et Unicode
Un ordinateur ne manipule que des nombres. Pour qu’il puisse enregistrer et afficher la lettre « é », un idéogramme chinois ou un émoji, il faut une table qui associe un numéro à chaque caractère, et une règle pour écrire ce numéro en octets. Le code ASCII, conçu en 1963 pour l’anglais, a ouvert la voie ; Unicode, qui recense aujourd’hui plus de 170 000 caractères, permet d’écrire toutes les langues du monde.
- Rubrique
- Fondamentaux
- Niveau
- Débutant à avancé
- Lecture
- 15 min (essentiel)
25 min (complet) - Révision
- 22 octobre 2026
En bref
- Un jeu de caractères attribue un numéro à chaque caractère ; un encodage dit comment écrire ce numéro sous forme d’octets.
- ASCII (1963) code 128 caractères sur 7 bits : les lettres sans accents, les chiffres, la ponctuation et des caractères de contrôle.
- Des dizaines de codages sur 8 bits l’ont étendu, chacun pour un groupe de langues. Leurs incompatibilités transforment « é » en « é ».
- Unicode réunit toutes les écritures dans un catalogue unique : sa version 18.0, publiée en septembre 2026, compte 172 808 caractères.
- UTF-8, l’encodage d’Unicode le plus répandu, utilise de 1 à 4 octets par caractère. Plus de 99 % des sites web l’emploient.
Prérequis conseillés : Le binaire
1Des caractères aux octets
Dans la mémoire d’un ordinateur, il n’y a que des nombres écrits en binaire. Il n’existe aucune méthode pour y ranger directement une lettre : chaque caractère doit avoir son équivalent numérique. Il faut donc une convention qui dise quel nombre représente quel caractère. Cette convention a deux étages, que l’on confond souvent.
- Le jeu de caractères (en anglais character set) est la liste des caractères connus, chacun avec son numéro. Dans Unicode, ce numéro s’appelle le point de code. La lettre A porte le numéro 65 ; la lettre é, le numéro 233.
- L’encodage (en anglais encoding) est la règle qui transforme ces numéros en octets à enregistrer ou à transmettre. Le même numéro 233 s’écrit avec un seul octet dans certains encodages, avec deux dans d’autres.
Un troisième terme complète le tableau. Le caractère est une entité abstraite : « la lettre a minuscule ». Son dessin à l’écran, le glyphe, dépend de la police utilisée. L’encodage ne dit rien de l’apparence : c’est la police qui fournit, pour chaque numéro, le dessin correspondant. Si la police ne contient pas le glyphe voulu, l’écran affiche un carré vide, parfois surnommé « tofu ».
2Avant l’ordinateur : du télégraphe au téléscripteur
L’idée de coder des lettres avec des signaux est bien plus ancienne que l’ordinateur. Le code Morse, mis au point par l’Américain Samuel Morse et son assistant Alfred Vail, a été le premier codage à permettre une communication à longue distance. Le 24 mai 1844, Morse envoie de Washington à Baltimore le premier message télégraphique public. Chaque lettre y est une suite de points et de traits, brefs et longs : un codage à deux symboles, qui annonce le binaire. Les lettres fréquentes reçoivent les codes les plus courts (E s’écrit « · », T « – »), une idée que l’on retrouvera dans la compression de données. Le signal de détresse SOS s’écrit « · · · – – – · · · ».
Le télégraphe a bouleversé les communications. Aux États-Unis, le Pony Express, un service de courrier à cheval qui traversait le pays en une dizaine de jours, a cessé ses activités en octobre 1861, quelques jours après l’achèvement de la ligne télégraphique transcontinentale. À l’époque, le code était interprété par des humains : les opérateurs du télégraphe devaient connaître le code par cœur, à l’oreille.
En 1874, le Français Émile Baudot invente pour le télégraphe un code à longueur fixe de 5 bits, soit 25 = 32 combinaisons ; une combinaison spéciale fait basculer la machine des lettres aux chiffres, ce qui double le répertoire. Modifié vers 1901 par l’ingénieur néo-zélandais Donald Murray, d’où le nom de code Murray que lui donnaient les Anglais, il équipera pendant des décennies les téléscripteurs, des machines à écrire reliées par des lignes télégraphiques qui codent et décodent elles-mêmes les caractères. Avec 32 combinaisons, ces machines n’écrivaient qu’en majuscules. L’unité de vitesse de transmission, le baud, porte le nom de Baudot.
Les lignes métalliques servent bientôt aussi à la voix. Le 10 mars 1876, l’Écossais Alexander Graham Bell réussit la première conversation téléphonique. L’invention lui est disputée : l’Italien Antonio Meucci avait déposé dès 1871 une demande provisoire de brevet, qu’il n’a pas pu financer au-delà de 1874. En 2002, la Chambre des représentants des États-Unis a voté une résolution qui reconnaît son rôle de pionnier.
3Le code ASCII
3.1128 caractères pour l’anglais
Au début des années 1960, chaque constructeur d’ordinateurs a son propre code, et les machines ne peuvent pas échanger de texte. L’ASA (American Standards Association), l’organisme américain de normalisation, publie en 1963 l’ASCII (American Standard Code for Information Interchange, « code américain normalisé pour l’échange d’informations »). La première version ne contient même pas les lettres minuscules, ajoutées lors de la révision de 1967. Le code utilise 7 bits et définit donc 27 = 128 caractères, numérotés de 0 à 127 :
- 33 caractères de contrôle (0 à 31, plus 127), qui ne s’affichent pas mais commandent un appareil : saut de ligne, tabulation, sonnerie, fin de transmission… ;
- l’espace (32) ;
- 94 caractères visibles : les chiffres, les 26 lettres de l’alphabet latin en majuscules et en minuscules, la ponctuation et quelques symboles.
Une erreur fréquente
On lit souvent que l’ASCII code les caractères sur 8 bits, soit 256 caractères. C’est inexact : l’ASCII est un code à 7 bits. Le huitième bit de l’octet servait à l’origine de contrôle de parité, pour détecter les erreurs de transmission, puis il a été utilisé par les extensions décrites à la section 4, qui ne font pas partie de l’ASCII.
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | A | B | C | D | E | F | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2x | esp | ! | " | # | $ | % | & | ' | ( | ) | * | + | , | - | . | / |
| 3x | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | : | ; | < | = | > | ? |
| 4x | @ | A | B | C | D | E | F | G | H | I | J | K | L | M | N | O |
| 5x | P | Q | R | S | T | U | V | W | X | Y | Z | [ | \ | ] | ^ | _ |
| 6x | ` | a | b | c | d | e | f | g | h | i | j | k | l | m | n | o |
| 7x | p | q | r | s | t | u | v | w | x | y | z | { | | | } | ~ | DEL |
L’organisation de la table n’a rien de hasardeux. Les chiffres de 0 à 9 occupent les codes 48 à 57 : les 4 derniers bits du code donnent directement la valeur du chiffre. Les majuscules occupent les codes 65 à 90, et les minuscules les codes 97 à 122, à exactement 32 positions d’écart : pour passer d’une majuscule à la minuscule correspondante, il suffit d’ajouter 32 au code. Comme 32 est une puissance de 2, cela revient à changer un seul bit, le sixième en partant de la droite : 1000001 pour A, 1100001 pour a. Pour les machines des années 1960, cette astuce rendait la conversion presque gratuite.
3.2Les caractères de contrôle
La plupart des caractères de contrôle datent des téléscripteurs. Ils ne représentent pas des caractères, mais des actions, comme le retour à la ligne ou le bip sonore. Quelques-uns restent d’usage quotidien.
| Code | Abréviation | Nom | Usage actuel |
|---|---|---|---|
| 0 | NUL | nul | Marque la fin d’une chaîne de caractères en langage C |
| 7 | BEL | sonnerie (bell) | Le bip d’un terminal |
| 9 | HT | tabulation horizontale | La touche Tab |
| 10 | LF | saut de ligne (line feed) | Fin de ligne sous Linux et macOS |
| 13 | CR | retour chariot (carriage return) | Fin de ligne sous Windows, combiné avec LF (CR LF) |
| 27 | ESC | échappement | Commandes de couleur et de position dans les terminaux |
Le retour chariot et le saut de ligne viennent de la mécanique des machines à écrire : ramener le chariot à gauche, puis faire monter le papier d’une ligne. Windows a gardé les deux caractères, Unix et ses descendants un seul : un fichier texte qui passe d’un système à l’autre peut ainsi s’afficher sur une seule ligne, ou avec des symboles parasites en fin de ligne.
3.3Pour mémoire : les 33 caractères de contrôleApprofondir
La table complète montre le monde pour lequel l’ASCII a été conçu : celui des téléscripteurs, des transmissions par blocs et des bandes perforées. Beaucoup de ces codes n’ont plus d’usage, mais ils occupent toujours leur place, et certains réapparaissent dans des protocoles ou dans des attaques.
| Déc. | Hexa | Sigle | Nom anglais | Rôle |
|---|---|---|---|---|
| 0 | 00 | NUL | Null | Caractère nul, remplissage |
| 1 | 01 | SOH | Start of Heading | Début d’en-tête d’un message |
| 2 | 02 | STX | Start of Text | Début du texte |
| 3 | 03 | ETX | End of Text | Fin du texte ; Ctrl + C le produit, d’où son rôle d’interruption |
| 4 | 04 | EOT | End of Transmission | Fin de transmission ; Ctrl + D sous Unix |
| 5 | 05 | ENQ | Enquiry | Demande d’identification |
| 6 | 06 | ACK | Acknowledge | Accusé de réception positif |
| 7 | 07 | BEL | Bell | Sonnerie |
| 8 | 08 | BS | Backspace | Retour arrière d’une position |
| 9 | 09 | HT | Horizontal Tab | Tabulation horizontale |
| 10 | 0A | LF | Line Feed | Saut de ligne |
| 11 | 0B | VT | Vertical Tab | Tabulation verticale |
| 12 | 0C | FF | Form Feed | Saut de page |
| 13 | 0D | CR | Carriage Return | Retour chariot |
| 14 | 0E | SO | Shift Out | Passage à un jeu de caractères secondaire |
| 15 | 0F | SI | Shift In | Retour au jeu de caractères principal |
| 16 | 10 | DLE | Data Link Escape | Échappement de liaison de données |
| 17 à 20 | 11 à 14 | DC1 à DC4 | Device Control | Commandes de périphérique ; DC1 et DC3 servent encore à reprendre et suspendre un flux (XON, XOFF) |
| 21 | 15 | NAK | Negative Acknowledge | Accusé de réception négatif |
| 22 | 16 | SYN | Synchronous Idle | Synchronisation d’une ligne inactive |
| 23 | 17 | ETB | End of Transmission Block | Fin de bloc de transmission |
| 24 | 18 | CAN | Cancel | Annulation |
| 25 | 19 | EM | End of Medium | Fin du support |
| 26 | 1A | SUB | Substitute | Substitut d’un caractère invalide ; fin de fichier texte sous MS-DOS |
| 27 | 1B | ESC | Escape | Échappement : annonce une commande |
| 28 | 1C | FS | File Separator | Séparateur de fichiers |
| 29 | 1D | GS | Group Separator | Séparateur de groupes |
| 30 | 1E | RS | Record Separator | Séparateur d’enregistrements |
| 31 | 1F | US | Unit Separator | Séparateur d’unités |
| 127 | 7F | DEL | Delete | Effacement : sur une bande perforée, tous les trous percés annulaient le caractère |
Le code 127 explique une bizarrerie : il est placé tout en haut de la table, loin des autres caractères de contrôle, parce qu’il s’écrit 1111111. Sur une bande perforée, on ne pouvait pas boucher un trou, mais on pouvait toujours en percer : perforer les sept positions effaçait n’importe quel caractère.
Pour s’exercer
Exercice 1 : lire de l’ASCII
Un fichier contient les octets 48 65 6C 6C 6F 0D 0A. Que contient-il, et sur quel système a-t-il probablement été écrit ?
Voir la réponse
48 = H, 65 = e, 6C = l, 6C = l, 6F = o : le mot « Hello ». Les deux derniers octets sont CR (0D) et LF (0A) : une fin de ligne à la manière de Windows.
Exercice 2 : majuscules et minuscules
Le code de G est 47 en hexadécimal. Quel est celui de g ? Quelle opération logique sur un seul octet transforme n’importe quelle majuscule en minuscule ?
Voir la réponse
47 + 20 = 67 en hexadécimal (71 + 32 = 103 en décimal). Il suffit de forcer à 1 le bit qui vaut 32 : un OU logique avec 20 (00100000). Un ET logique avec DF (11011111) fait l’inverse. Ces astuces ne valent que pour les 26 lettres de l’ASCII, pas pour les lettres accentuées.