1. Introduction
Imaginez que vous êtes diplomate à un sommet international : chacun parle sa langue et utilise sa propre écriture. Pour se comprendre, il faut un traducteur universel — un ensemble de règles qui associent les caractères. Dans les ordinateurs, ce rôle est tenu par les encodages.
L'ordinateur ne comprend qu'un seul "langage" — des suites de zéros et de uns. 0 et 1 — son "alphabet". Toute l'information est stockée et transmise sous forme d'octets. Un octet, c'est 8 bits (par exemple, 01000001).
Comment relier nos lettres et signes aux octets ? Comment l'ordi sait-il que la lettre «A» n'est pas qu'une suite de 0/1, mais bien le caractère affiché à l'écran ?
Encodage
Un encodage est un ensemble de règles (une table de correspondance) qui définit comment chaque caractère (lettre, chiffre, signe, idéogramme, emoji) est converti en une séquence d'octets et comment ces octets sont ensuite réinterprétés en caractères.
Analogie — le code Morse : vous transformez le texte en points et tirets, vous envoyez le message, et le destinataire restaure les caractères selon les mêmes règles. Dans l'ordinateur, l'accord "octets ↔ caractères" s'appelle l'encodage.
2. Pourquoi se prendre la tête avec les encodages ?
- Faire le lien entre le monde humain et la machine : sans encodage, le texte n'est qu'une suite d'octets ; avec un encodage, ce sont des caractères qui ont du sens.
- Universalité et compatibilité : différents programmes et OS doivent se mettre d'accord sur les règles. Si un fichier est déclaré en UTF-8, il faut aussi le lire en UTF-8.
- Soutien à plein de langues et symboles : cyrillique, écriture arabe, idéogrammes, symboles mathématiques, emoji — plus l'ensemble de caractères est riche, plus l'encodage doit être complexe et flexible.
3. ASCII — l'encodage "primitif"
Un des plus anciens et basiques encodages est ASCII (American Standard Code for Information Interchange). Il utilise 7 bits par caractère, donc il peut représenter 128 caractères différents : les lettres latines (A-Z, a-z), les chiffres (0-9), la ponctuation et des codes de contrôle (par ex. saut de ligne, tabulation).
| Caractère | Code décimal (ASCII) | Code binaire (7 bits) |
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| Espace | |
|
Historiquement, le huitième bit servait souvent pour le bit de parité, puis il a été réutilisé dans des "extensions" de ASCII — ce qui a donné plein d'ensembles mono-octets locaux et du bazar.
Si vous écrivez "Hello", sur le disque ce sera à peu près comme ça (1 octet par caractère ; pour le ASCII 7 bits le bit de poids fort est à zéro) :
H (01001000) e (01100101) l (01101100) l (01101100) o (01101111)
Simple. Mais où sont les lettres russes ou les idéogrammes ? Dans ASCII elles n'existent pas — c'est un "dictionnaire mono-langue", utile seulement pour l'ensemble latin de base.
4. "Krakozyabry" — pourquoi l'encodage, c'est pas une blague
Parfois, en ouvrant un fichier, vous voyez quelque chose comme Привет au lieu de «Hello». On appelle ça des "mojibake" (ou Mojibake) — le résultat de la lecture d'octets avec le mauvais encodage.
Imaginez que vous avez sauvegardé «Hello, world!» en encodage Windows-1251, où les octets pour les lettres de "Hello" peuvent être, simplifié :
- P → 207
- r → 240
- i → 232
- v → 226
- e → 229
- t → 242
Et ensuite votre collègue ouvre le fichier dans un éditeur qui s'attend à ISO-8859-1 (Latin-1), ou vous avez utilisé StreamReader sans préciser l'encodage, donc il ne correspond pas au fichier. Résultat : l'octet 207 est interprété comme un caractère d'une autre table — et le texte "se casse".
| Symbole original (Windows-1251) | Représentation en octets (exemple) | Caractère lu comme ISO-8859-1 |
|---|---|---|
| P | |
Ç |
| r | |
à |
| i | |
è |
| v | |
â |
| e | |
å |
| t | |
ò |
Au final on obtient Çàèâåò au lieu de «Hello». Si un caractère n'existe pas du tout dans l'encodage attendu, vous verrez des carrés ou des points d'interrogation.
Conclusion pratique : quand vous lisez/écrivez du texte, précisez toujours l'encodage, surtout si la source des données n'est pas sous votre contrôle. En .NET, on le fait via StreamReader/StreamWriter en précisant la Encoding appropriée (par ex. UTF-8 ou Encoding.GetEncoding("windows-1251")). Ça évite les "mojibake" et assure un échange correct entre systèmes.
Dans les prochaines leçons, on apprendra à choisir et spécifier l'encodage quand on travaille avec des fichiers et des streams, pour que votre code soit universel, international et robuste.
GO TO FULL VERSION