Texto a ASCII

Em 1963, um comitê americano publicava o padrão ASCII — American Standard Code for Information Interchange — encerrando anos de caos em que cada fabricante usava seu próprio código de caracteres. A IBM tinha o EBCDIC, os teletipos Baudot operavam com apenas 5 bits e 32 posições, os terminais DEC tinham tabelas proprietárias. Trocar dados entre máquinas de marcas diferentes era um pesadelo de tradução manual. O ASCII de 7 bits resolveu isso com 128 posições: 33 caracteres de controle herdados do teletipo — incluindo o BEL (7) que fazia um sino físico soar, o BS (8) para apagar o último caractere e o DEL (127) que perfurava todos os buracos da fita de papel — e 95 caracteres imprimíveis. A decisão de incluir letras minúsculas foi debatida por anos no comitê; algumas propostas as deixavam de fora para economizar bits.

O Unicode surgiu nos anos 1990 como extensão natural do ASCII: todos os 128 code points originais foram preservados em suas posições exatas, então `A` ainda é o 65 e o espaço ainda é o 32. O que mudou foi o teto: o Unicode define 1.114.112 posições (de U+0000 a U+10FFFF), cobrindo todos os sistemas de escrita do mundo, emojis, símbolos matemáticos e até a escrita cuneiforme suméria. Quando esta ferramenta exibe o valor numérico de um caractere, ela mostra exatamente o code point Unicode — que para qualquer caractere ASCII é idêntico ao valor de 1963. Para caracteres acima de U+007F é importante entender que o code point não é o mesmo que os bytes UTF-8: a letra `ã` tem code point 227 (0xE3), mas em UTF-8 ocupa 2 bytes: C3 A3.

Na prática, ver os code points de uma string é mais útil do que parece à primeira vista. Todo desenvolvedor que já passou horas depurando um bug misterioso de encoding conhece bem os caracteres invisíveis: o zero-width space (U+200B) que faz uma string parecer idêntica mas se comportar diferente em comparações, o soft hyphen (U+00AD) que não aparece visualmente mas ocupa posição, o byte order mark (U+FEFF) que o Bloco de Notas do Windows insere silenciosamente em arquivos UTF-8. Ver os code points de uma string suspeita resolve esse tipo de mistério em segundos. É também indispensável para preparar casos de teste nos limites de encoding, gerar dados de fixtures e participar de CTF — onde pistas quase sempre chegam disfarçadas de sequências numéricas inocentes.

In 1963, an American standards committee published ASCII — the American Standard Code for Information Interchange — ending years of chaos where each hardware manufacturer used its own character encoding. IBM had EBCDIC, Baudot teletypes operated with just 5 bits and 32 slots, DEC terminals had proprietary tables. Exchanging data between machines from different brands was a manual translation nightmare. The 7-bit ASCII standard settled things with 128 positions: 33 control characters inherited from the teletype — including BEL (7) which rang a physical bell, BS (8) to erase the last character, and DEL (127) which punched every hole in the paper tape to delete a slot — and 95 printable characters. The decision to include lowercase letters was debated for years inside the committee; some proposals left them out to save bits.

Unicode emerged in the 1990s as a natural extension of ASCII: all 128 original code points were preserved at their exact positions, so `A` is still 65 and space is still 32. What changed was the ceiling: Unicode defines 1,114,112 positions (U+0000 through U+10FFFF), covering every writing system in the world, emoji, mathematical symbols, and even ancient Sumerian cuneiform. When this tool displays the numeric value of a character, it shows exactly the Unicode code point — which for any ASCII character is identical to its 1963 value. For characters above U+007F it is important to understand that the code point is not the same as the UTF-8 bytes: the letter `ã` has code point 227 (0xE3), but in UTF-8 it occupies 2 bytes: C3 A3.

In practice, seeing the code points of a string is more useful than it first appears. Every developer who has spent hours debugging a mysterious encoding bug knows invisible characters well: the zero-width space (U+200B) that makes a string look identical but behave differently in comparisons, the soft hyphen (U+00AD) that is invisible but occupies a position, the byte order mark (U+FEFF) that Windows Notepad silently inserts into UTF-8 files. Seeing the code points of a suspect string resolves that kind of mystery in seconds. It is also indispensable for preparing test cases at encoding boundary values, generating fixture data, and for CTF competitions — where clues almost always arrive disguised as innocent-looking number sequences.

En 1963, un comité de estándares estadounidense publicaba el ASCII — American Standard Code for Information Interchange —, poniendo fin a años de caos en los que cada fabricante de hardware usaba su propia codificación de caracteres. IBM tenía el EBCDIC, los teletipos Baudot operaban con solo 5 bits y 32 posiciones, los terminales DEC tenían tablas propietarias. Intercambiar datos entre máquinas de distintas marcas era una pesadilla de traducción manual. El estándar ASCII de 7 bits lo resolvió con 128 posiciones: 33 caracteres de control heredados del teletipo — entre ellos el BEL (7) que hacía sonar una campana física, el BS (8) para borrar el último carácter y el DEL (127) que perforaba todos los agujeros de la cinta de papel — y 95 caracteres imprimibles. La decisión de incluir letras minúsculas fue debatida durante años en el comité; algunas propuestas las excluían para ahorrar bits.

Unicode surgió en los años noventa como extensión natural del ASCII: los 128 code points originales se conservaron en sus posiciones exactas, así que `A` sigue siendo el 65 y el espacio sigue siendo el 32. Lo que cambió fue el límite: Unicode define 1.114.112 posiciones (de U+0000 a U+10FFFF), abarcando todos los sistemas de escritura del mundo, emojis, símbolos matemáticos e incluso la antigua escritura cuneiforme sumeria. Cuando esta herramienta muestra el valor numérico de un carácter, muestra exactamente el code point Unicode, que para cualquier carácter ASCII es idéntico al valor de 1963. Para caracteres por encima de U+007F es importante entender que el code point no es lo mismo que los bytes UTF-8: la letra `ã` tiene el code point 227 (0xE3), pero en UTF-8 ocupa 2 bytes: C3 A3.

En la práctica, ver los code points de una cadena es más útil de lo que parece a primera vista. Todo desarrollador que ha pasado horas depurando un misterioso fallo de codificación conoce bien los caracteres invisibles: el zero-width space (U+200B), que hace que una cadena parezca idéntica pero se comporte de forma diferente en comparaciones; el guión suave (U+00AD), invisible pero que ocupa posición; el byte order mark (U+FEFF), que el Bloc de notas de Windows inserta silenciosamente en archivos UTF-8. Ver los code points de una cadena sospechosa resuelve ese tipo de misterio en segundos. También resulta indispensable para preparar casos de prueba en los límites de codificación, generar datos de fixtures y participar en competiciones CTF, donde las pistas casi siempre llegan disfrazadas de secuencias numéricas aparentemente inocentes.