UTF-8 a Base64: codificar texto Unicode y emoji

Cómo codificar texto UTF-8 a Base64

1. Escribe o pega tu texto en Entrada · texto. Juego de caracteres ya está en UTF-8.
2. El Base64 aparece en Salida · Base64. La cifra Entrada bajo la herramienta es el número de bytes UTF-8; el contador sobre el cuadro cuenta los caracteres como lo hace JavaScript, así que un emoji cuenta como 2.
3. Marca URL-safe (- _) y Sin relleno (=) para URL y tokens, o elige un Ajuste de línea para email o PEM.
4. Copia la salida o descárgala como base64.txt.

Base64 a UTF-8 convierte el resultado de nuevo en texto.

Cómo convierte UTF-8 los caracteres en bytes

UTF-8 usa de 1 a 4 bytes por punto de código. ASCII se queda en 1 byte, y por eso el texto en inglés se codifica igual en UTF-8 y en ASCII. Todo lo demás ocupa más:

Como Base64 añade un tercio sobre los bytes, una frase en chino o japonés crece aproximadamente al cuádruple al pasar de caracteres a caracteres Base64, y un emoji solo se convierte en 8 caracteres. Tenlo en cuenta en los campos con límite de longitud; la calculadora de tamaño ayuda.

Secuencias de emoji y tonos de piel

Lo que parece un solo emoji suele ser varios puntos de código pegados. Un tono de piel es un modificador aparte, y los emoji de familias o profesiones unen a varias personas con un carácter de unión de ancho cero invisible (U+200D):

Si cortas una cadena Base64 o sus bytes decodificados en mitad de una secuencia así, quedan caracteres rotos, así que nunca trunques UTF-8 codificado en un byte cualquiera.

Mismo texto, bytes distintos: normalización Unicode

Algunos caracteres tienen dos grafías válidas en Unicode. é puede ser el punto de código único U+00E9 (compuesto, NFC) o e seguida de U+0301 COMBINING ACUTE ACCENT (descompuesto, NFD). Los dos se ven igual, pero los bytes son distintos:

Los nombres de archivo del antiguo sistema de archivos HFS+ de Apple se guardan descompuestos, mientras que la mayoría de los teclados producen texto compuesto. Si comparas valores Base64, los firmas o los usas como claves, normaliza primero. Esta herramienta codifica exactamente los puntos de código que pegas y no normaliza.

UTF-8 a Base64 en código

En JavaScript, TextEncoder siempre produce UTF-8. Normaliza primero cuando la entrada pueda venir de fuentes distintas:

const text = "e\u0301".normalize("NFC");
Buffer.from(text, "utf8").toString("base64");   // "w6k=" (Node.js)
new TextEncoder().encode(text);                  // Uint8Array [195, 169]

En los navegadores, los bytes de TextEncoder pueden ir a bytes.toBase64() donde esté disponible (Uint8Array.toBase64), o pasar por el helper de btoa de la página de JavaScript.

import base64, unicodedata

s = unicodedata.normalize("NFC", "nai\u0308ve")
base64.b64encode(s.encode("utf-8")).decode()   # 'bmHDr3Zl'

Consulta Base64 en Python para archivos y streaming.

Preguntas frecuentes