Convertisseur d'emoji vers Unicode

Pourquoi un emoji peut faire sept caractères

Les points de code sont les numéros qu'attribue Unicode, et un emoji peut en assembler plusieurs. Le drapeau de l'Écosse en est l'exemple le plus parlant : un drapeau noir, cinq lettres de balise invisibles qui épellent gbsct et une balise d'annulation, soit sept points de code en tout. JavaScript stocke le texte en UTF-16, où tout ce qui dépasse U+FFFF occupe deux unités : ce même drapeau a donc une .length de 14. UTF-8 consacre quatre octets à chacun de ces points de code, si bien qu'il occupe 28 octets dans une base de données. Un seul de ces nombres correspond à ce que voit une personne, et c'est justement celui que la plupart des programmes ne demandent jamais. En JavaScript, comptez avec Intl.Segmenter en réglant la granularité sur grapheme ; en Python, le motif \X du module tiers regex fait le même travail.

Stocker des emojis dans MySQL sans points d'interrogation

Si vos emojis se transforment en ???? après l'enregistrement, la colonne utilise presque certainement le jeu de caractères utf8 de MySQL, qui, malgré son nom, stocke au maximum trois octets par caractère. Tout emoji au-delà de U+FFFF en demande quatre : l'insertion échoue ou perd les données. La solution s'appelle utf8mb4 : convertissez la table avec ALTER TABLE ... CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci, et vérifiez que la connexion elle-même utilise aussi utf8mb4, car une table correcte derrière une connexion utf8 abîme quand même le texte. MySQL 8.0 a fait d'utf8mb4 le réglage par défaut : le problème touche donc surtout les vieilles bases mises à niveau plutôt que créées de zéro.

Entités HTML, CSS et l'espace final

Sur une page servie en UTF-8, c'est-à-dire presque toutes, vous pouvez coller l'emoji directement dans le HTML ; les entités comme 👍 ne servent que lorsqu'un gabarit ou un système d'e-mail abîme les caractères bruts. CSS est plus pointilleux. Dans une propriété content, un échappement comme \1F44D se prolonge jusqu'au premier caractère non hexadécimal : si le caractère suivant peut être lu comme de l'hexadécimal, vous devez terminer l'échappement par une espace. Cette espace est absorbée, pas affichée. Notre ligne CSS l'insère toujours entre les points de code, ce qui explique qu'un pouce levé avec teint donne \1F44D \1F3FD, avec un écart tout à fait voulu.

Pourquoi X compte chaque emoji pour deux caractères

Les limites de caractères sont un autre endroit où les décomptes divergent. La bibliothèque de comptage open source de X compte la plupart des emojis pour deux caractères dans la limite de 280, quelle que soit leur composition : 👍 et 👩‍💻 coûtent donc autant, alors que l'un est un seul point de code et l'autre en compte trois. Le SMS est plus sévère : un seul emoji fait basculer tout le message en encodage UCS-2, ce qui réduit un SMS de 160 caractères à 70. Si un formulaire, une colonne de base de données ou un réseau social refuse un texte qui paraît court, le tableau des longueurs ci-dessus explique généralement pourquoi.

Questions sur les points de code des emojis