# Bytes, pontos de código e UTF-8

> A diferença entre um caractere e um byte, por que existem o Unicode e o UTF-8, e o que isso tem a ver com o Base64.

Source: https://ronutz.com/pt-BR/learn/character-encoding  
Updated: 2026-06-27  
Related tools: https://ronutz.com/pt-BR/tools/base64

---

## Caracteres não são bytes

Um computador guarda bytes, valores de 0 a 255. Humanos leem caracteres: letras, dígitos, pontuação, emoji. Uma **codificação de caracteres** é o mapeamento acordado entre os dois. Erre o mapeamento e você vê o clássico texto distorcido (`café` virando `café`), que quase sempre é uma incompatibilidade entre a codificação usada para escrever os bytes e a usada para lê-los.

## ASCII: os 128 originais

A codificação mais antiga de uso amplo é o **ASCII**, que atribui os números de 0 a 127 às letras básicas do inglês, dígitos e símbolos comuns. Sete bits, 128 caracteres. O ASCII é simples e ainda sustenta boa parte da computação, mas 128 caracteres não conseguem representar letras acentuadas, escritas não latinas ou símbolos, então nunca foi suficiente para o texto do mundo.

## Unicode: um número por caractere

O **Unicode** resolve o problema de cobertura dando a cada caractere um número único chamado **ponto de código**, escrito como `U+0041` (a letra A) ou `U+2615` (uma bebida quente). O Unicode é um catálogo gigante de caracteres e seus pontos de código, bem mais de cem mil deles, cobrindo essencialmente toda escrita em uso.

Crucialmente, o Unicode diz *qual número* cada caractere tem, mas não *como armazenar esse número como bytes*. Esse segundo trabalho pertence a uma forma de codificação.

## UTF-8: como os pontos de código viram bytes

O **UTF-8** é a forma dominante de transformar pontos de código Unicode em bytes, e é o padrão em toda a web moderna. Ele é de **comprimento variável**: um caractere ocupa de um a quatro bytes dependendo do seu ponto de código.

- A faixa ASCII (U+0000 a U+007F) é codificada como um único byte, idêntico ao ASCII. É por isso que o UTF-8 é retrocompatível: qualquer texto ASCII puro já é UTF-8 válido.
- Caracteres além do ASCII usam dois, três ou quatro bytes. Assim, `é` são dois bytes e `☕` são três, ainda que cada um seja um caractere.

Esse último ponto é a surpresa comum: **um caractere nem sempre é um byte.** Contar bytes e contar caracteres dão respostas diferentes para qualquer texto não ASCII. (UTF-16 e UTF-32 são codificações alternativas dos mesmos pontos de código; o UTF-8 venceu a web por sua compatibilidade com ASCII e compacidade para texto latino.)

## Onde o Base64 entra

Isso importa para o Base64 porque **o Base64 opera sobre bytes, não caracteres.** Para codificar uma string em Base64, a string precisa primeiro ser transformada em bytes por uma codificação de caracteres, e essa codificação é essencialmente sempre o UTF-8. Codifique o mesmo caractere com um esquema diferente e você obtém bytes diferentes, e portanto Base64 diferente. Então o fluxo completo para texto é: caracteres viram bytes (UTF-8), depois bytes viram texto seguro (Base64). Ao decodificar, você reverte ambos os passos.

A [ferramenta Base64](https://ronutz.com/pt-BR/tools/base64) codifica texto como bytes UTF-8 antes de codificar em Base64, e sinaliza quando um resultado decodificado não é UTF-8 válido, tudo no seu navegador.