Echappement Unicode

L'échappement Unicode (escape) est une méthode pour représenter un caractère Unicode en utilisant sa valeur numérique (point de code) plutôt que le caractère lui-même.

Cette notation commence généralement par un antislash \ suivi d'un préfixe et de chiffres hexadécimaux.

Cette abstraction permet de manipuler du texte dans des environnements où l'affichage direct d'un caractère spécial n'est pas garanti ou souhaité.

Pour encoder un caractère en échappement Unicode :

— Identifier le point de code Unicode du caractère

— Convertir cette valeur en hexadécimal

— Appliquer le format d'échappement approprié (voir ci-après)

Les formats d'échappement Unicode correspondent aux différentes manières de représenter un point de code sous forme textuelle. Les syntaxes les plus répandues incluent plusieurs conventions utilisées selon les langages, les moteurs d'expressions régulières ou les systèmes de sérialisation.

— Format \uXXXX : format standard le plus ancien, notation hexadécimale fixe sur 4 digits. Ce format est fréquent dans Java, JSON ou certains parsers mais est limité au Basic Multilingual Plane (BMP), soit les caractères entre U+0000 et U+FFFF. Pour les caractères hors BMP, générer deux séquences consécutives correspondant à une paire substitutive.

— Format \u{X} : format standard le plus récent, notation variable encapsulée entre accolades. Représenter n'importe quel point de code sans contrainte de longueur. Syntaxe utilisée dans JavaScript moderne, Rust, PHP et la plupart des langages modernes sauf Python.

— Format \UXXXXXXXX : format utilisé dans le langage Python pour représenter directement des points de code complets sur 8 chiffres hexadécimaux, sans passer par des paires substitutives.

— Format \x{X} : format remplaçant u par x présent dans certains moteurs d'expressions régulières (comme PCRE).

— Format \X : format utilisé dans le langage CSS, ayant la notation la plus simplifiée en utilisant un préfixe antislash suivi d'hexadécimal directement. Approche parfois ambiguë car historiquement liée à des échappements octaux ou hexadécimaux selon les langages.

Décoder une séquence d'échappement Unicode implique :

— Reconnaître le motif : \uXXXX, \u{X} ou autre

— Extraire la partie hexadécimale

— Convertir l'hexadécimal en décimal pour obtenir le point de code

— Interpréter ce point de code comme caractère Unicode

La plupart des langages de programmation fournissent des fonctions natives pour ce traitement.

Identifier une séquence d'échappement Unicode par ces patterns caractéristiques :

— \uXXXX : antislash + u + 4 chiffres hexadécimaux

— \u{X} ou \u{XXXX} : notation flexible avec accolades

— \UXXXXXXXX : antislash + U + 8 chiffres hexadécimaux

Les variantes courantes incluent :

\uXXXX : notation standard sur 4 digits

\u{X} : notation compacte moderne

\UXXXXXXXX : notation sur 8 digits utilisée dans certains langages comme Python

\x{X} : notation alternative selon certains moteurs d'expressions régulières

HTML : &#xXXXX; (notation entièrement différente)

Encodage d'URL : %XX

Les paires substitutives générées par UTF-16 pour des points de code supérieurs à U+FFFF