koodipisteet

Koodipisteet ovat abstrakteja numeroarvoja, joilla merkit ja symbolit identifioidaan tietojärjestelmissä. Unicode-standardeissa koodipiste on kokonaisluku, joka määrittää merkkiä U+-notation kanssa, esimerkkinä U+0041 vastaa latinalaista A:aa. Kaikki mahdolliset koodipisteet muodostavat alueen U+0000–U+10FFFF.

Koodipisteet kuvaavat merkin sijaan sen identiteetin. Ne eivät itsessään määrää, miltä merkki näkyy, vaan käyttövarat riippuvat fontista ja renderöinnistä. Tämä tarkoittaa, että yksi visuaalinen merkki (grapheme) voi koostua useammasta koodipisteestä, esimerkiksi diakriittisiä merkkejä tai osailevia emoji-sarjoja.

Käytännössä koodipisteet tallennetaan erilaisiin merkkikoodauksiin. Yleisimmät ovat UTF-8, UTF-16 ja UTF-32. UTF-8 käyttää yhden neljään tavua per koodipiste, UTF-16 käyttää kaksi tai neljä tavua, ja UTF-32 aina neljä tavua. Joillakin alueilla on kuitenkin poikkeuksia: UTF-16:ssa käytetään surrogaatikoodeja U+D800–U+DFFF, jotka eivät yksinään ole merkkejä, vaan osa parin muodostamista. Lisäksi tietyt koodipisteet ovat varattuja tai ei-merkityksellisiä (non-characters), kuten U+FDD0–U+FDEF ja jokainen koodipiste, jonka loput 16 bittiä ovat FFFE tai FFFF.

Koodipisteet esiintyvät usein U+-etuliitteellä, ja ne voivat ilmetä ohjelmointikielissä esimerkiksi escape-sekvensseinä kuten \uXXXX tai \UXXXXXXXX. Ne eroavat riveyksikköinä käytetyistä bittijoukkoista sekä kokonaismääräisestä bytes-määrästä, joka koodin tallennuksessa tarvitaan.