Comment un ordinateur représente le texte

Le caractère et sa représentation sont distincts

Un caractère est une unité de texte telle que A ou é. Unicode associe des points de code à un très grand ensemble de caractères ; on les note souvent U+ suivi d’une valeur hexadécimale. Un encodage comme UTF-8 transforme ces points de code en octets. Unicode n’est donc pas simplement un format où chaque caractère occuperait la même taille. Une apparence visuelle peut même résulter de plusieurs points de code, par exemple une lettre suivie d’un accent combinant. Pour commencer, les exemples de cette page utilisent des caractères précomposés simples.

Compter les lettres visibles, les points de code et les octets répond à trois questions différentes. Pour les exemples simples de cette page, chaque caractère précomposé correspond à un point de code. Cette simplification doit être gardée à l’esprit avant de généraliser à tous les textes et symboles.

Des répertoires adaptés à des besoins différents

ASCII définit 128 positions et couvre notamment les lettres latines non accentuées, les chiffres et des caractères de contrôle. Il ne permet pas de représenter directement é. ISO-8859-1 utilise un octet et ajoute notamment de nombreuses lettres accentuées d’Europe occidentale. Il ne contient pas tous les alphabets ni tous les symboles, par exemple l’euro. UTF-8 encode Unicode avec un nombre variable d’octets et conserve les codes ASCII sur un octet. Son intérêt est de permettre des textes multilingues sans imposer une convention distincte pour chaque langue.

Le fait qu’un encodage utilise un octet ne signifie pas qu’il couvre tous les caractères possibles. Un octet possède seulement 256 configurations. Un répertoire multilingue plus vaste demande donc plusieurs octets pour certains caractères ou une autre organisation de la représentation.

Décoder avec la même convention

Le caractère é est représenté par l’octet E9 en ISO-8859-1, et par les deux octets C3 A9 en UTF-8. Si l’on interprète C3 A9 comme deux caractères ISO-8859-1, on obtient é. Les données ne sont pas nécessairement perdues : le programme peut simplement avoir choisi le mauvais décodeur. À l’inverse, lire un octet E9 isolé comme UTF-8 provoque normalement une erreur car cette séquence n’est pas valide. Remplacer silencieusement les erreurs peut cacher la cause et rendre une récupération plus difficile.

Un texte déformé peut encore être composé de caractères parfaitement valides. L’absence d’erreur technique ne garantit donc pas que le lecteur a utilisé la bonne convention. Comparez les octets d’origine, l’encodage annoncé et les caractères attendus avant de corriger le fichier.

Convertir implique décoder puis réencoder

Changer le nom d’un fichier ou son extension ne convertit pas son contenu. Il faut lire ses octets avec l’encodage source, obtenir les caractères, puis écrire ces caractères avec l’encodage cible. En Python, on peut préciser encoding dans open. Une conversion vers un répertoire plus restreint peut échouer : un texte contenant un caractère absent d’ASCII n’a pas de conversion fidèle vers ASCII sans transformation supplémentaire. Le programme n’exige pas de mémoriser tous les codes ; l’objectif est de comprendre la convention, ses possibilités et les causes des erreurs.

Pour reproduire cet exemple, le fichier source.txt contient le texte « été » en ISO-8859-1, soit les trois octets E9 74 E9 en hexadécimal. La copie UTF-8 attendue contient C3 A9 74 C3 A9. Le fichier original est seulement lu ; la conversion écrit un autre fichier nommé copie.txt.

with open("source.txt", encoding="iso-8859-1") as fichier:
    texte = fichier.read()
with open("copie.txt", "w", encoding="utf-8") as fichier:
    fichier.write(texte)

Une conversion fidèle conserve la suite de caractères, mais peut changer la taille du fichier. Il faut aussi distinguer les octets du texte des octets éventuels de fin de ligne. Les comptages de cette page excluent toute fin de ligne ajoutée automatiquement par un éditeur.

Vérifier une conversion par étapes

Le texte précomposé « café » contient quatre caractères. Les trois premières lettres sont ASCII et occupent chacune un octet en ASCII, ISO-8859-1 ou UTF-8. La dernière lettre utilise un octet en ISO-8859-1 et deux en UTF-8. Le texte demande donc quatre octets dans le premier encodage et cinq dans le second, sans fin de ligne.

Une conversion correcte lit d’abord les quatre octets source pour retrouver les quatre caractères, puis produit cinq octets UTF-8. Comparer seulement la taille ne suffit pas : plusieurs textes différents ont la même taille. Relire la copie dans l’encodage cible permet de vérifier la conservation du texte.

Choisir entre fidélité et transformation explicite

Un texte contenant « 5 € » peut être conservé en UTF-8. Le symbole euro utilise trois octets, tandis que le chiffre et l’espace en utilisent chacun un : le total est cinq. ASCII ne contient pas le symbole euro. Remplacer celui-ci par « EUR » produit un autre texte, même si le sens commercial reste compréhensible.

Cette transformation doit donc être annoncée dans le contrat d’export. Supprimer silencieusement les caractères non représentables pourrait transformer un nom ou une information importante. Le choix d’un encodage capable de représenter toutes les données évite cette perte sans exiger de mémoriser les codes numériques de chaque caractère.

De la compréhension à l’autonomie

À vous de résoudre

Cherchez d’abord par vous-même. Vérifiez les résultats demandés, utilisez les indices si nécessaire, puis comparez votre méthode à la correction.

Les erreurs qui méritent un détour

Affirmer qu’un caractère vaut toujours un octet

La taille dépend de l’encodage et du caractère ; UTF-8 utilise une longueur variable.

Confondre Unicode et UTF-8

Unicode définit notamment des points de code ; UTF-8 est une manière de les représenter en octets.

Cette notion au bac

Retrouvez ces idées dans un sujet complet, avec des indices, une correction expliquée et des ateliers.

• Bac 2026 · Banque nationale · Sujet 22 : Code matriciel simplifié, binaire et table ASCII
• Bac 2025 · Nouvelle-Calédonie · Jour 2 : Alice, Bob et Mallory : distinguer chiffrement, signature et empreinte

Le prochain pas

• Tuples et valeurs regroupées

Retrouver le catalogue de Première

Ce chapitre s’appuie sur le programme officiel de Première (PDF, nouvel onglet). Les explications et exercices sont proposés pour l’apprentissage.