Kódpontok

Kódpontok, vagy Unicode-kódpontok, a karakterek numerikus azonosítói az Unicode szabványban. Minden karakterhez egyedi kódpoint tartozik, amely független attól, hogy azt milyen kódolási módon jelenítik meg vagy rögzítik a memóriában. A kódpontokat általában U+ hex formában jelölik. Például az 'A' a U+0041 kódponttal azonosítható, míg az eurójelet a U+20AC jelöli.

A kódpontok a 0x0000 és 0x10FFFF tartományban találhatók. A 0xD800–0xDFFF tartományt a UTF-16-ben surrogate párok jelölik, és általában nem rendelhető karakterhez; ez a tartomány a kódpont-térben lefoglalt, speciális célokra van fenntartva. A gyakorlati használatban egyes kódpontokat még nem festettek be, pedig létezhetnek jövőbeli karakterek. A kódpont és a megjelenített grafika (glyph) közötti különbség fontos: egy kódpont megfelelő grafikus alakja lehet többféle grafika a különböző betűtípusokban.

Az Unicode kódpontok gyakorlati tárolását és cseréjét különböző encodings használják. A leggyakoribbak: UTF-8, UTF-16 és UTF-32. UTF-8 változó hosszúságú, egy kódpont 1–4 bájt hosszú lehet; UTF-16 16-bites egységeket használ, legfeljebb két egységet, ha a kódpont a BMP-n belül van, vagy surrogárok segítségével kettő egységet ad; UTF-32 pedig fix 32 bites. Például a kódpont U+1F600 UTF-8-ben F0 9F 98 80, UTF-16-ben D83D DE00, UTF-32-ben 0001F600.

A kódpontokról szóló gyakorlati megfontolások közé tartozik a normalizáció (NFC/NFD), a grapheme- és code-point-feldolgozás közötti különbség, valamint a keresés és összehasonlítás helyes kezelése különböző kódolásokkal. A kódpontok így alapvető fogalmak a szöveges adatok kezelésében, a programozásban és az adattárolásban.