Normalisation Unicode : NFC, NFD, NFKC et NFKD expliqués

TL;DR — Réponse directe

La normalisation Unicode convertit des chaînes visuellement équivalentes en une séquence binaire unique et déterministe, afin que l'égalité de chaînes (===) et les requêtes en base de données fonctionnent avec précision. Les quatre formes de normalisation officielles sont NFC, NFD, NFKC et NFKD.

💡

Règle de production : Utilisez toujours NFC (Normalization Form C) pour les entrées web, le stockage en base de données et la correspondance d'identifiants. N'utilisez NFD que pour l'indexation de recherche sans accents, et NFKC/NFKD avec prudence, car les formes de compatibilité altèrent la mise en forme sémantique.

Équivalence canonique et comparaison de chaînes avec String.prototype.normalize()

JAVASCRIPT normalization-demo.js

// 1. Precomposed 'é' (U+00E9) vs Decomposed 'e' + acute (U+0065 U+0301)
const s1 = '\u00E9';       // é
const s2 = 'e\u0301';       // e + accent

console.log(s1 === s2);       // false (different byte sequences!)
console.log(s1.length);       // 1
console.log(s2.length);       // 2

// 2. Normalizing to NFC (Canonical Composition)
const n1 = s1.normalize('NFC');
const n2 = s2.normalize('NFC');

console.log(n1 === n2);       // true!
console.log(n1.length);       // 1

Sortie du programme

false
1
2
true
1

Les quatre formes de normalisation

Unicode définit deux types d'équivalence : l'équivalence canonique (identité visuelle et fonctionnelle exacte) et l'équivalence de compatibilité (différences de mise en forme comme l'indice, l'exposant, le cerclage ou la ligature).

NFC (Normalization Form C : décomposition canonique suivie d'une composition canonique)

Le standard du World Wide Web. Les caractères sont décomposés puis recomposés en caractères précomposés chaque fois que possible. Le « e » + accent aigu combinant devient le « é » précomposé (U+00E9).

NFD (Normalization Form D : décomposition canonique)

Les caractères sont décomposés en leurs caractères de base et caractères combinants selon un ordre standardisé. Le « é » précomposé (U+00E9) devient « e » (U+0065) + accent aigu combinant (U+0301). Excellent pour supprimer les accents des index de recherche.

NFKC (Normalization Form KC : décomposition de compatibilité suivie d'une composition canonique)

Applique la décomposition de compatibilité avant la composition. Les ligatures comme « ﬁ » deviennent « fi », le « ① » cerclé devient « 1 » et l'exposant « ² » devient « 2 ». Utile pour l'indexation de recherche, mais néfaste pour le stockage général.

NFKD (Normalization Form KD : décomposition de compatibilité)

Applique la décomposition de compatibilité sans recomposition.

Erreurs courantes vs modèles de production

Découvrez quels modèles échouent en production et leurs alternatives modernes conformes aux standards.

Comparer des noms d'utilisateur ou des mots de passe

Authentification, création de comptes, requêtes en base de données.

À ÉVITER : ❌ Comparer l'entrée utilisateur brute

// Attacker registers 'admin' with decomposed characters
if (dbUser === req.body.username) {
  // Can be bypassed or duplicated with visually identical strings!
}

Pourquoi cela échoue : Des doublons visuels aux points de code différents peuvent contourner les contraintes d'unicité ou créer des comptes en double.

RECOMMANDÉ : ✅ Normaliser en NFC dès l'ingestion

const cleanUsername = req.body.username.normalize('NFC');
// Query DB with cleanUsername

Pourquoi c'est mieux : Garantit que toutes les chaînes canoniquement équivalentes sont ramenées à des clés binaires identiques.

Matrice des cas limites et invariants

Une matrice de tests diversifiée comparant le comportement des caractères entre ASCII, signes combinants, emojis, drapeaux et fragments de substitution.

Cas de test	Glyphe d'entrée	Unités de code	Points de code	Graphèmes	Catégorie	Explication technique
Précomposé contre décomposé	é (U+00E9) vs e + \u0301	`—`	`—`	`—`	Canonical Equivalence	Les deux sorties NFC sont strictement égales (===) après normalisation.
Nombre cerclé	① (U+2460)	`—`	`—`	`—`	Compatibility Equivalence	NFC préserve le style cerclé ; NFKC le décompose en le chiffre ASCII 1.
Ligature	ﬁ (U+FB01)	`—`	`—`	`—`	Compatibility Equivalence	NFC conserve le caractère de ligature ; NFKC le développe en deux lettres ASCII distinctes.

Normes et provenance des sources

Tous les invariants techniques, API et comportements de ce guide sont vérifiés par rapport aux spécifications primaires officielles.

Unicode Consortium

Unicode Standard Annex #15: Unicode Normalization Forms

Clause : §1 Normalization Forms

Lire la spécification →

W3C

Character Model for the World Wide Web: String Matching

Clause : §3 Normalization