UTF-8 (UnicodeTransformationFormat8-bit) er entabsfri indkodning afUnicode-tegnsættet. Den blev udviklet afKen Thompson ogRob Pike den2. september1992 iNew Jersey,USA.
UTF-8 anvender grupper af 8-bit bytes til at repræsentere Unicode-standarden for verdens mange forskelligealfabeter. UTF-8 er især anvendelig ved transport afe-post i 8-bits postsystemer.
Den bruger 1 – 6 bytes (eller 8 til 48 bit) per tegn – afhængig af Unicode-symbolet. Eksempelvis kræves kun én byte for at kunne kode alle 128ASCII-tegn i Unicode intervallet: U+0000 til U+007F.
UTF-8 er iRFC 3629 (2003) blevet begrænset til 4 byte sekvenser, da dette er nok til at indkode hele unicode området fra U+0000 til U+10FFFF.
Tegn i intervallet U+0000 til U+007F, dvs. 7-bit ASCII indkodes uændret. Andre tegn indkodes ved at bruge 2 til 4 bytes, som alle er større end 7F.
| Unicode interval hexadecimal | Bit værdi binær | UTF-8 binær | Noter |
|---|---|---|---|
| 000000–00007F 128 tegn | 0zzzzzzz | 0zzzzzzz | 7-bits ASCII område; byte begynder med en 0-bit |
| syv z | syv z | ||
| 000080–0007FF 1920 tegn | 00000yyy yyzzzzzz | 110yyyyy 10zzzzzz | Første byte begynder med 110, den næste byte begynder med 10. |
| tre y; to y, seks z | fem y; seks z | ||
| 000800–00FFFF 63488 tegn | xxxxyyyy yyzzzzzz | 1110xxxx 10yyyyyy 10zzzzzz | Første byte begynder med 1110, de efterfølgende bytes begynder med 10. |
| fire x,fire y; to y,seks z | fire x; seks y; seks z | ||
| 010000–1FFFFF 2.031.616 tegn | 000vvvxx xxxxyyyy yyzzzzzz | 11110vvv 10xxxxxx 10yyyyyy 10zzzzzz | Første byte begynder med 11110, de efterfølgende bytes begynder med 10. |
| tre v, to x; fire x, fire y; to y, seks z | tre v; seks x; seks y; seks z | ||
| 00200000–03FFFFFF 65.011.712 tegn | 000000uu vvvvvvxx xxxxyyyy yyzzzzzz | 111110uu 10vvvvvv 10xxxxxx 10yyyyyy 10zzzzzz | Første byte begynder med 111110, de efterfølgende bytes begynder med 10. |
| to u, seks v, to x; fire x, fire y; to y, seks z | to u, seks v; seks x; seks y; seks z | ||
| 04000000–7FFFFFFF 1.073.741.824 tegn | 0tuuuuuu vvvvvvxx xxxxyyyy yyzzzzzz | 1111110t 10uuuuuu 10vvvvvv 10xxxxxx 10yyyyyy 10zzzzzz | Første byte begynder med 1111110, de efterfølgende bytes begynder med 10. |
| et t, seks u, seks v, to x; fire x, fire y; to y, seks z | et t, seks u, seks v; seks x; seks y; seks z |
Da unicode er begrænset til U+10FFFF stopper standarden (RFC 3629) i dag ved fire byte sekvenser, selvom længere sekvenser tidligere har været defineret.
Følgende byteværdier kan således ikke forekomme i en UTF-8 streng i henhold til standarden
| Værdi (binær) | Værdi (hexadecimal) | Noter |
|---|---|---|
| 1100000x | C0, C1 | Forkert indkodning af værdier mindre end 7F. Byten indikerer starten af en 2 byte sekvens, men værdien er mindre end 7F. |
| 1111111x | FE, FF | Ulovlig: start byte for en 7/8 byte sekvens. |
| 111110xx 1111110x | F8, F9, FA, FB, FC, FD | Fjernet afRFC 3629: start byte for en 5/6 byte sekvens. |
| 11110101 1111011x | F5, F6, F7 | Fjernet afRFC 3629: start byte for værdier mellem 10FFFF og 1FFFFF. |
Generelle fordele
Generelle ulemper
Fordele sammenlignet medUTF-16
Ulemper sammenlignet med UTF-16
 | Spire Denne artikel omdatalogi eller et datalogi-relateret emne er enspire som bør udbygges. Du er velkommen til athjælpe Wikipedia ved atudvide den. |
