Unicode: pontos de código, planos, nomes e propriedades

O que é um ponto de código, como os 1.114.112 deles se organizam em planos, por que um caractere na tela pode ser vários pontos de código, como o Unicode nomeia e classifica cada caractere, e por que o mesmo emoji mede 1, 2, 4 ou 4 conforme a linguagem que conta.

O dá a cada caractere um número e um nome, e o descreve com propriedades que os programas usam para decidir como ordená-lo, desenhá-lo, quebrar linhas ao redor dele e compará-lo. A versão 18.0, publicada em 16 de setembro de 2026, acrescenta 13.007 caracteres, num total de 172.808, incluindo três escritas novas: os numerais protocuneiformes, o jurchen e o selo pequeno (Small Seal).

O inspetor Unicode mostra tudo isso para qualquer ponto de código ou qualquer texto colado. Este artigo explica o que ele está mostrando.

Pontos de código e planos

Um ponto de código é um número de 0 a 10FFFF em hexadecimal: esse intervalo é o espaço de códigos do Unicode, 1.114.112 valores. Pontos de código são escritos U+ seguido de quatro a seis dígitos hexadecimais, então a letra A é U+0041 e o rosto sorridente é U+1F600.

O padrão Unicode acha conveniente pensar no espaço de códigos como planos de 64K pontos de código cada, o que dá dezessete planos:

Plano	Intervalo	O que há ali
0, o Plano Multilíngue Básico (BMP)	U+0000 a U+FFFF	quase todos os caracteres de uso comum, os surrogates e 6.400 pontos de código de uso privado
1 a 3	U+10000 a U+3FFFF	escritas históricas, emoji e símbolos, mais ideogramas Han, e escritas novas como o selo pequeno
14	U+E0000 a U+EFFFF	caracteres de tag e seletores de variação
15 e 16	U+F0000 a U+10FFFF	mais 131.068 pontos de código de uso privado

Nem todo ponto de código é um caractere. 2.048 deles, de U+D800 a U+DFFF, são surrogates, reservados para que o UTF-16 alcance além do BMP; um processo não deve interpretar um deles como caractere. 66 são não caracteres, reservados para sempre para uso interno: U+FDD0 a U+FDEF e os dois últimos pontos de código de cada plano. Pontos de código de uso privado significam o que quem os troca combinar que significam. Todo o resto que ainda não foi atribuído fica reservado para o futuro.

Um caractere na tela pode ser vários pontos de código

O que um leitor vê como um caractere muitas vezes é uma sequência. Um e com acento agudo pode ser guardado como um ponto de código, U+00E9, ou como dois: U+0065 seguido de U+0301 COMBINING ACUTE ACCENT. Os dois são desenhados iguais, mas são strings diferentes: comprimentos diferentes, bytes diferentes, e uma comparação exata diz que não são iguais. O Unicode chama de agrupamento de grafemas (grapheme cluster) o que o usuário percebe como um único caractere, e a normalização (UAX #15) é o processo que faz as duas grafias de é serem comparadas como iguais.

O inspetor lista pontos de código, não agrupamentos de grafemas, porque pontos de código são o que os programas guardam, comparam e passam por hash.

Nomes, apelidos e rótulos

Todo caractere atribuído tem um nome em maiúsculas, e nomes são um identificador permanente: desde o Unicode 2.0 a política de estabilidade proíbe mudá-los, mesmo quando um nome se revela errado. Um erro é corrigido com um apelido formal, do tipo correção. Outros apelidos nomeiam os controles, que não têm nome próprio (U+000A é LINE FEED, NEW LINE ou END OF LINE), dão nomes alternativos ( para U+FEFF), listam nomes fictícios que foram documentados mas nunca padronizados, e acrescentam abreviações como NBSP, ZWSP e BOM.

Alguns nomes são construídos por regra em vez de listados: um ideograma CJK unificado é CJK UNIFIED IDEOGRAPH- seguido do seu ponto de código, e as 11.172 sílabas Hangul são nomeadas a partir dos nomes curtos das suas partes. Um ponto de código sem nome nenhum, como um controle, um surrogate ou um não atribuído, é identificado por um rótulo de ponto de código, escrito entre sinais de menor e maior: <control-0085>, <surrogate-D800>, <reserved-0378>.

Quando as pessoas digitam nomes, raramente acertam as maiúsculas e os hífens, então a UAX #44 define uma comparação flexível: ignorar maiúsculas, espaços, sublinhados e os hífens entre letras, com uma exceção que mantém U+1180 HANGUL JUNGSEONG O-E separado de U+116C HANGUL JUNGSEONG OE. O inspetor compara nomes desse jeito.

Propriedades

Cada ponto de código carrega dezenas de propriedades. Quatro fazem a maior parte do trabalho na depuração do dia a dia:

General_Category é uma classe de duas letras: Lu para letra maiúscula, Nd para dígito decimal, Zs para espaço, Cc para controle, Cf para caractere de formato, Mn para marca sem espaçamento, e assim por diante, trinta valores ao todo. A UAX #44 avisa que as classes são uma partição aproximada: @, #, % e & são há muito tempo Other_Punctuation, embora não sejam pontuação na tipografia ocidental.
Block é um intervalo nomeado de pontos de código. Diz onde um caractere foi colocado, não o que ele é: U+0964 DEVANAGARI DANDA fica no bloco Devanagari, mas o seu Script é Common.
Script diz a que sistema de escrita um caractere pertence. Três valores são especiais: Inherited para caracteres, como marcas combinantes, que herdam a escrita do caractere base anterior; Common para outros caracteres usados com várias escritas; e Unknown para pontos de código não atribuídos, de uso privado, não caracteres ou surrogates. Script_Extensions refina isso: U+30FC KATAKANA-HIRAGANA PROLONGED SOUND MARK tem Script Common e Script_Extensions Hiragana e Katakana, e o danda lista vinte e uma escritas índicas.
Age é a versão do Unicode que atribuiu o ponto de código pela primeira vez: 1.1 para quase todo o latim, 2.1 para o símbolo do euro, 6.1 para o rosto sorridente, 18.0 para os caracteres do selo pequeno.

A idade importa porque os programas vêm com uma cópia fixa dos dados. O CPython 3.11, por exemplo, traz o Unicode 14.0.0 no módulo unicodedata, então não tem nome para um caractere do selo pequeno; um texto escrito com caracteres do Unicode 18.0 pode aparecer com caixas, ou falhar numa validação, num sistema com dados mais antigos.

Três jeitos de guardar um ponto de código

Um ponto de código é um número; uma forma de codificação o transforma em unidades de código:

Ponto de código	Bytes	Unidades UTF-16	UTF-32
U+0041 A	`41`	`0041`	`00000041`
U+00E9 é	`C3 A9`	`00E9`	`000000E9`
U+20AC €	`E2 82 AC`	`20AC`	`000020AC`
U+1F600 rosto sorridente	`F0 9F 98 80`	`D83D DE00`	`0001F600`

O UTF-8 usa de um a quatro bytes e mantém o em bytes únicos. O UTF-16 usa uma unidade de 16 bits para o BMP e um par surrogate para tudo além dele. O UTF-32 usa uma unidade de 32 bits para cada ponto de código. O UTF-8 não codifica um ponto de código surrogate de jeito nenhum, e o UTF-16 não vai além de U+10FFFF, que é onde o espaço de códigos termina.

Por isso "qual o comprimento desta string" tem várias respostas. Só para o rosto sorridente:

Quem conta	Resposta	Por quê
`len()` do Python	1	uma string Python é uma sequência de pontos de código
`.length` do JavaScript	2	uma string JavaScript é uma sequência de unidades de 16 bits
Bytes UTF-8 na rede	4	quatro bytes em UTF-8
`string length` do 8.4.6	4	ele lê cada byte de um caractere UTF-8 de quatro bytes como um caractere

A última linha pesa num BIG-IP: a F5 afirma que o conjunto de comandos das iRules foi desenvolvido a partir do Tcl 8.4.6 (K6091), e no interpretador Tcl 8.4.6 um caractere além de U+FFFF não tem escape \u e conta como quatro caracteres. Meça comprimentos, compare strings e corte substrings com isso em mente.

Para onde ir depois

O inspetor Unicode mostra todas as propriedades acima para qualquer ponto de código, e encontra num texto os caracteres que não são o que parecem; Caracteres escondidos e sósias explica por que eles importam. Para os primeiros 128 pontos de código, veja ASCII: os 128 códigos.

Fontes

Os números e as escritas do Unicode 18.0 vêm da página de lançamento; o espaço de códigos, os planos, os surrogates, os não caracteres, os nomes e os rótulos, da especificação principal e da política de estabilidade; as propriedades, da UAX #44 e do Unicode Character Database 18.0.0; as formas de codificação, da 3629 e da RFC 2781; os comprimentos de string foram medidos no CPython 3.11, no Node 22 e no Tcl 8.4.6 em 2026-10-03. Tudo lido em 2026-10-03.