UTF-8 (abréviation de l'anglaisUniversal Character Set Transformation Format[1] -8bits) est uncodage de caractèresinformatiques conçu pour coder l’ensemble des caractères du « répertoire universel de caractères codés », initialement développé par l’ISO dans la norme internationaleISO/CEI 10646, aujourd’hui totalement compatible avec le standardUnicode, en restant compatible avec la normeASCII limitée à l'anglais de base, mais très largement répandue depuis des décennies.
L'UTF-8 est utilisé par 82,2 % dessites web en[2], 87,6 % en 2016[3], 90,5 % en 2017[4], 93,1 % en[5] et près de 95,2 % en. Par sa nature, UTF-8 est d'un usage de plus en plus courant surInternet, et dans les systèmes devant échanger de l'information. Il s'agit également du codage le plus utilisé dans les systèmesGNU/Linux et compatibles pour gérer le plus simplement possible des textes et leurs traductions dans tous les systèmes d'écritures et tous les alphabets du monde.
UTF-8 est un « format de transformation » issu à l'origine des travaux pour la normeISO/CEI 10646, c'est-à-dire que UTF-8 définit un codage pour toutpoint de codescalaire (caractère abstrait ou « non-caractère ») du répertoire du jeu universel de caractères codés (Universal Character Set, ouUCS). Ce répertoire est aujourd'hui commun à la normeISO/CEI 10646 (depuis sa révision 1.) et au standardUnicode (depuis sa version 1.1).
UTF-8 est officiellement défini dans la normeISO/CEI 10646 depuis son adoption dans un amendement publié en 1996. Il fut aussi décrit dans le standardUnicode et fait partie de ce standard depuis la version 3.0 publiée en 2000. En 1996 fut publiée laRFC 2044[6] (« UTF-8, a transformation format of ISO 10646 ») dans le but de fournir une spécification accessible d'UTF-8 et d'entamer sa standardisation au sein de l'Internet Engineering Task Force (IETF). Cette RFC fut révisée en 1998 (RFC 2279[7]) puis finalement en 2003 (RFC 3629[8]), cette dernière version faisant d'UTF-8 un desstandards de l'internet (STD 63).
Techniquement, il s'agit decoder les caractèresUnicode sous forme de séquences de un à quatrecodets d'unoctet chacun. La norme Unicode définit entre autres un ensemble (ou répertoire) de caractères. Chaque caractère est repéré dans cet ensemble par un index entier aussi appelé « point de code ». Par exemple le caractère « € » (euro) est le 8365e caractère du répertoire Unicode, son index, ou point de code, est donc 8364 (0x20AC), car on commence à compter à partir de 0.
Le répertoire Unicode peut contenir plus d'un million de caractères, ce qui est bien trop grand pour être codé par un seuloctet (limité à des valeurs entre 0 et 255). La norme Unicode définit donc des méthodes standardisées pour coder et stocker cet index sous forme de séquence d'octets : UTF-8 est l'une d'entre elles, avecUTF-16,UTF-32 et leurs différentes variantes.
La principale caractéristique d'UTF-8 est qu'elle est rétro-compatible avec le standard ASCII, c'est-à-dire que tout caractère ASCII se code en UTF-8 sous forme d'un unique octet, identique au code ASCII. Par exemple « A » (A majuscule) a pour code ASCII 65 (0x41) et se code en UTF-8 par l'octet 65. Chaque caractère dont le point de code est supérieur à 127 (0x7F) (caractère non ASCII) se code sur 2 à4 octets. Le caractère « € » (euro) se code par exemple sur3 octets : 226, 130, et 172 (0xE2, 0x82 et 0xAC).
Le numéro (valeur scalaire) de chaque point de code dans le jeu universel de caractères (UCS) est donné par lanormeISO/CEI 10646 qui assigne un point de code à chaque caractère valide, puis permet leur codage en leur attribuant une valeur scalaire identique au point de code ; cette norme est reprise dans lestandardUnicode (qui utilise depuis la version 1.1 le même répertoire).
Tous les « points de code » (code points en anglais) de U+0000 à U+D7FF et de U+E000 à U+10FFFF sont représentables en UTF-8 — même ceux qui sont attribués à des « non-caractères » (non-character) et tous ceux qui ne sont pas encore attribués — et uniquement ceux-là. Les seuls points de code valides dans l'espace de l'UCS, et qui ne doivent pas être représentés dans UTF-8, sont ceux qui sont attribués aux « demi-codets » (surrogates en anglais), car ils ne sont pas représentables de façon bijective dans le codageUTF-16 et ne sont pas non plus par eux-mêmes des caractères : contrairement aux autres points de code, les demi-codets n'ont doncpas de « valeur scalaire » (scalar value en anglais) définie.
Les points de code ayant une valeur scalaire de 0 à 127 (points de codes U+0000 à U+007F, attribués aux caractères du jeu codé sur 7 bits dans l'ASCII) sont codés sur un seuloctet dont lebit de poids fort est nul.
Les autres points de code (attribués ou non à des caractères) ayant une valeur scalaire supérieure à 127 (sauf ceux auxquels sont attribués des « demi-codets » qui ne sont pas eux-mêmes des caractères) sont codés sur plusieurs octets ayant chacun leurbit de poids fort non nul : les bits de poids fort du premier octet de la séquence codée forment une suite de 1 de longueur égale au nombre total d'octets (au moins 2) utilisés pour la séquence entière suivie d'un 0 et les octets suivants nécessaires ont leurs deux bits de poids fort positionnés à 10.
| Caractères codés | Représentation binaire UTF-8 | Premier octet valide (hexadécimal) | Signification |
|---|---|---|---|
| U+0000 à U+007F | 0ƀƀƀ·ƀƀƀƀ | 00 à 7F | 1 octet, codant jusqu’à 7 bits |
| U+0080 à U+07FF | 110ƀ·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ | C2 à DF | 2 octets, codant jusqu’à 11 bits |
| U+0800 à U+FFFF | 1110·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ | E0 à EF | 3 octets, codant jusqu’à 16 bits |
| U+10000 à U+10FFFF | 1111·00ƀƀ 10ƀƀ·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ | F0 à F3 | 4 octets, codant jusqu’à 21 bits |
| 1111·0100 1000·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ 10ƀƀ·ƀƀƀƀ | F4 |
Ce principe pourrait être étendu jusqu’à huit octets pour un seul point de code (pour représenter des points de code comprenant jusqu’à 42 bits), mais la version normalisée actuelle d'UTF-8 pose la limite à quatre[9].
Le codage interdit la représentation des points de code réservés auxdemi-codets (qui n'ont pas de valeur scalaire définie, afin de préserver la compatibilité avecUTF-16 qui ne permet pas non plus de les représenter). Il autorise cependant la représentation des points de code assignés à desnon-caractères (alors même que leur présence est interdite dans un texte conforme).
| Type | Caractère | Point de code (hexadécimal) | Valeur scalaire | Codage UTF-8 | ||
|---|---|---|---|---|---|---|
| décimal | binaire | binaire | hexadécimal | |||
| Contrôle (C0) | [NUL] | U+0000 | 0 | 0 | 00000000 | 00 |
[US] | U+001F | 31 | 1·1111 | 00011111 | 1F | |
| Texte (US-ASCII) | [SP] | U+0020 | 32 | 10·0000 | 00100000 | 20 |
| 0 | U+0030 | 48 | 11·0000 | 00110000 | 30 | |
| 9 | U+0039 | 57 | 11·1001 | 00111001 | 39 | |
| ? | U+003F | 63 | 11·1111 | 00111111 | 3F | |
| @ | U+0040 | 64 | 100·0000 | 01000000 | 40 | |
| A | U+0041 | 65 | 100·0001 | 01000001 | 41 | |
| Z | U+005A | 90 | 101·1010 | 01011010 | 5A | |
| a | U+0061 | 97 | 110·0001 | 01100001 | 61 | |
| z | U+007A | 122 | 111·1010 | 01111010 | 7A | |
| ~ | U+007E | 126 | 111·1110 | 01111110 | 7E | |
| Contrôle (C0 et C1) | [DEL] | U+007F | 127 | 111·1111 | 01111111 | 7F |
[PAD] | U+0080 | 128 | 1000·0000 | 1100001010000000 | C2 80 | |
[APC] | U+009F | 159 | 1001·1111 | 1100001010011111 | C2 9F | |
| Texte (PMB) | [NBSP] | U+00A0 | 160 | 1010·0000 | 1100001010100000 | C2 A0 |
| ¿ | U+00BF | 191 | 1011·1111 | 1100001010111111 | C2 BF | |
| À | U+00C0 | 192 | 1100·0000 | 1100001110000000 | C3 80 | |
| é | U+00E9 | 233 | 1110·1001 | 1100001110101001 | C3 A9 | |
| ߿ | U+07FF | 2047 | 111 1111·1111 | 1101111110111111 | DF BF | |
| ࠀ | U+0800 | 2048 | 1000 0000·0000 | 111000001010000010000000 | E0 A0 80 | |
| € | U+20AC | 8 364 | 10·0000 1010·1100 | 111000101000001010101100 | E2 82 AC | |
| | U+D7FF | 55 295 | 1101·0111 1111·1111 | 111011011001111110111111 | ED 9F BF | |
| Demi-codet | U+D800 | (néant) | (codage interdit) | |||
U+DFFF | ||||||
| Usage privé (PMB) | [] | U+E000 | 57 344 | 1110·0000 0000·0000 | 111011101000000010000000 | EE 80 80 |
| [] | U+F8FF | 63 743 | 1111·1000 1111·1111 | 111011111010001110111111 | EF A3 BF | |
| Texte (PMB) | U+F900 | 63 744 | 1111·1001 0000·0000 | 111011111010010010000000 | EF A4 80 | |
| ﷏ | U+FDCF | 64 975 | 1111·1101 1100·1111 | 111011111011011110001111 | EF B7 8F | |
| Non-caractères | U+FDD0 | 64 976 | 1111·1101 1101·0000 | 111011111011011110010000 | EF B7 90 | |
U+FDEF | 65 007 | 1111·1101 1110·1111 | 111011111011011110101111 | EF B7 AF | ||
| Texte (PMB) | ﷰ | U+FDF0 | 65 008 | 1111·1101 1111·0000 | 111011111011011110110000 | EF B7 B0 |
| � | U+FFFD | 65 533 | 1111·1111 1111·1101 | 111011111011111110111101 | EF BF BD | |
| Non-caractères | U+FFFE | 65 534 | 1111·1111 1111·1110 | 111011111011111110111110 | EF BF BE | |
U+FFFF | 65 535 | 1111·1111 1111·1111 | 111011111011111110111111 | EF BF BF | ||
| Texte (PMC) | 𐀀 | U+10000 | 65 536 | 1 0000·0000 0000·0000 | 11110000100100001000000010000000 | F0 90 80 80 |
| 𝄞 | U+1D11E | 119 070 | 1 1101·0001 0001·1110 | 11110000100111011000010010011110 | F0 9D 84 9E | |
| | U+1FFFD | 131 069 | 1 1111·1111 1111·1101 | 11110000100111111011111110111101 | F0 9F BF BD | |
| Non-caractères | U+1FFFE | 131 070 | 1 1111·1111 1111·1110 | 11110000100111111011111110111110 | F0 9F BF BE | |
U+1FFFF | 131 071 | 1 1111·1111 1111·1111 | 11110000100111111011111110111111 | F0 9F BF BF | ||
| Texte (PSC) | 𠀀 | U+20000 | 131 072 | 10 0000·0000 0000·0000 | 11110000101000001000000010000000 | F0 A0 80 80 |
| | U+2FFFD | 196 605 | 10 1111·1111 1111·1101 | 11110000101011111011111110111101 | F0 AF BF BD | |
| Non-caractères | U+2FFFE | 196 606 | 10 1111·1111 1111·1110 | 11110000101011111011111110111110 | F0 AF BF BE | |
U+2FFFF | 196 607 | 10 1111·1111 1111·1111 | 11110000101011111011111110111111 | F0 AF BF BF | ||
| Texte (TIP) | 𰀀 | U+30000 | 196 608 | 11 0000·0000 0000·0000 | 11110000101100001000000010000000 | F0 B0 80 80 |
| | U+3FFFD | 262 141 | 11 1111·1111 1111·1101 | 11110000101111111011111110111101 | F0 BF BF BD | |
| Non-caractères | U+3FFFE | 262 142 | 11 1111·1111 1111·1110 | 11110000101111111011111110111110 | F0 BF BF BE | |
U+3FFFF | 262 143 | 11 1111·1111 1111·1111 | 11110000101111111011111110111111 | F0 BF BF BF | ||
| ...autres plans réservés... | ||||||
| Spécial (PCS) | | U+E0000 | 917 504 | 1110 0000·0000 0000·0000 | 11110011101000001000000010000000 | F3 A0 80 80 |
| | U+EFFFD | 983 037 | 1110 1111·1111 1111·1101 | 11110011101011111011111110111101 | F3 AF BF BD | |
| Non-caractères | U+EFFFE | 983 038 | 1110 1111·1111 1111·1110 | 11110011101011111011111110111110 | F3 AF BF BE | |
U+EFFFF | 983 039 | 1110 1111·1111 1111·1111 | 11110011101011111011111110111111 | F3 AF BF BF | ||
| Usage privé (PUP-A) | [] | U+F0000 | 983 040 | 1111 0000·0000 0000·0000 | 11110011101100001000000010000000 | F3 B0 80 80 |
| [] | U+FFFFD | 1 048 573 | 1111 1111·1111 1111·1101 | 11110011101111111011111110111101 | F3 BF BF BD | |
| Non-caractères | U+FFFFE | 1 048 574 | 1111 1111·1111 1111·1110 | 11110011101111111011111110111110 | F3 BF BF BE | |
U+FFFFF | 1 048 575 | 1111 1111·1111 1111·1111 | 11110011101111111011111110111111 | F3 BF BF BF | ||
| Usage privé (PUP-B) | [] | U+100000 | 1 048 576 | 1·0000 0000·0000 0000·0000 | 11110100100000001000000010000000 | F4 80 80 80 |
| [] | U+10FFFD | 1 114 109 | 1·0000 1111·1111 1111·1101 | 11110100100011111011111110111101 | F4 8F BF BD | |
| Non-caractères | U+10FFFE | 1 114 110 | 1·0000 1111·1111 1111·1110 | 11110100100011111011111110111110 | F4 8F BF BE | |
U+10FFFF | 1 114 111 | 1·0000 1111·1111 1111·1111 | 11110100100011111011111110111111 | F4 8F BF BF | ||
Dans toutechaîne de caractères codée en UTF-8, on remarque que :
Le plus grand point de code valide affectable à un caractère validenon privé est U+EFFFD dans le15e plan (il n’est pas encore affecté mais pourrait le devenir à l’avenir), mais le codage UTF-8 peut être utilisé aussi, de façon conforme aux normes, pour représenter n’importe quel caractère valide à usage privé (dans une des trois plages U+E000 à U+F8FF, U+F0000 à U+FFFFD, et U+100000 à U+10FFFD).
L’acceptation ou non desnon-caractères ou descaractères d’usage privé est laissée aux applications ou protocoles de transport de texte. Cependant lesnon-caractères ne sont normalement pas acceptés dans des textes interopérables et strictement conformes au standardUnicode où à la normeISO/CEI 10646.
Certaines applications imposent des restrictions supplémentaires sur les points de code utilisables (par exemple, les standardsHTML etXML interdisent, dans tout document conforme à ces spécifications, la présence de la plupart des caractères de contrôle entre U+0000 et U+001F et entre U+0080 et U+009F, en dehors du contrôle de la tabulation U+0009 considéré comme un caractère blanc, et interdisent aussi lesnon-caractères).
Tout point de code est toujours représenté par exactement la même séquence binaire, quelle que soit sa position relative dans le texte, et ces séquences sont autosynchronisées sur la position indivise des codets significatifs (ici les octets : on peut toujours savoir si un octet débute ou non une séquence binaire effective) ; ce codage autorise donc les algorithmes rapides de recherche de texte, tels que l'algorithme de Boyer-Moore.
Ce n'est pas toujours le cas des codages contextuels (qui utilisent généralement lacompression de données, par exempleSCSU défini dans la note technique standard UTS#6 optionnelle complétant le standard Unicode) et qui peuvent nécessiter de lire le texte complètement depuis le début, ni des codages basés sur plus d'une seule variable d'état (ou qui incorporent des codes supplémentaires de redondance) ; au mieux certains de ces codages peuvent demander d'utiliser des algorithmes complexes de resynchronisation, basés souvent sur desheuristiques qui peuvent échouer ou conduire à de fausses interprétations si on ne lit pas le texte depuis le début (par exempleBOCU-1).
Dans le tableau ci-dessus, on voit que le caractère « € » se trouve au point de code U+20AC, soit en décimal 8364, ou en binaire : 100000 10101100.
Ce dernier nombre comporte chiffres binaires significatifs, donc14 bits au moins sont nécessaires pour coder le caractère « € ». La norme présentée ci-dessus impose en réalité trois octets pour représenter ces caractères.
Avec quatre octets à disposition, il serait possible de placer selon cette norme jusqu’à21 bits, donc en particulier de représenter le caractère « € » par00000 00100000 10101100, en lui ajoutant en tête7 zéros non significatifs. Toutefois, la norme impose qu’un programme décodant l’UTF-8 ne doit pas accepter de chaînes d’octets inutilement longues comme dans cet exemple, ce pour des raisons de sécurité (éviter l’exploitation de tests de sous-chaînes trop tolérants)[10]. Ainsi « € » se codera en binaire : 11100010 10000010 10101100, mais le codage 11110000 10000010 10000010 10101100, déduit de la représentation de « € » sur21 bits, bien qu’univoque, ne doit pas être utilisé.
Une telle forme plus longue que nécessaire s’appelle en anglaisoverlong. De telles formes (initialement autorisées dans des spécifications anciennes avant qu’elles soient normalisées successivement par la RFC initiale publiée par le ConsortiumX/Open, puis parallèlement par la norme ISO 10646 et le standard Unicode) sont désormais interdites et doivent être traitées comme non valides.
Le codage est prédictif et permet toujours de retrouver la position du premier octet d'une séquence représentant un point de code, à partir de la valeur d'un octet quelconque et de la lecture d'un nombre limité d'octets voisins, dans les deux directions de lecture (ce sera toujours l’octet lui-même, ou le premier éligible dans un des 1 à3 octets voisins).
De telles séquences sont dites mal formées (ill-formed). (Voir la référence ci-dessus, notamment la seconde table dans la clause de conformitéD36 du standard ou l'articleUnicode).
En revanche, les points de code réservés (pas encore alloués à des caractères) sont autorisés (même si l'interprétation des caractères peut rester ambigüe) : il appartient aux applications de décider si ces caractères sont acceptables ou non, sachant que les mêmes applications continueront probablement à être utilisées alors que ces positions auront été assignées dans les normes Unicode et ISO 10646 à de nouveaux caractères parfaitement valides.
De même les autres points de code assignés de façon permanente aux autres « non-caractères » sont interdits dans les textes conformes à la normeISO/CEI 10646 ou au standardUnicode : par exemple U+xFFFE à U+xFFFF (où x indique un numéro de plan hexadécimal de 0 à 10). Mais ils restent encodables et décodables en tant que tels en UTF-8 (les « non-caractères » sont à disposition des applications qui peuvent en faire un usage au sein d'API internes, par exemple comme codes intermédiaires nécessaires à la mise en œuvre interne de certains traitements, par exemple comme codes intermédiaires de pseudo-décomposition des variantes de certains caractères durant la génération de clés de collation pour le tri).
La restriction de l'espace de représentation aux seuls points de code inférieurs ou égaux à U+10FFFF (non compris les points de codes assignés aux « demi-codets ») n’a pas toujours été appliquée :
Un texte en US-ASCII est codé identiquement en UTF-8 (lorsque leBOM n'est pas utilisé).
Du fait qu'un caractère est découpé en une suite d'octets (et non enmots de plusieurs octets), il n'y a pas de problème deboutisme (endianness en anglais).
Pour la plupart des langues à écriture latine, les fichiers de données numériques ou les codes sources de programmes, ou de nombreux protocoles textuels de communication (commeFTP, HTTP ouMIME), qui utilisent abondamment (voire parfois exclusivement dans certaines parties) les caractères US-ASCII, UTF-8 nécessite moins d'octets que l'UTF-16 ou l'UTF-32.
De nombreuses techniques deprogrammation informatique valables avec les caractères uniformément codés sur un octet le restent avec UTF-8, notamment :
Il s'agit d'un codage auto-synchronisant (en lisant un seul octet on sait si c'est le premier d'un caractère ou non).
Les points de code sont représentés en UTF-8 par des séquences d'octets de taille variable (de même qu'en UTF-16), ce qui rend certaines opérations sur les chaînes de points de code plus compliquées : le calcul du nombre de points de code ; le positionnement à une distance donnée (exprimée en nombre de points de code) dans unfichier texte et en règle générale toute opération nécessitant l'accès au point de code de positionN dans une chaîne.
Une taille variable des caractères d'une chaine empêche l'exploitation d'algorithmes efficaces en matière de comparaisons de chaines, telles que l'algorithme deKnuth-Morris-Pratt et pénalise donc fortement les traitements de données en masse comme dans l'exploitation des bases de données. Ce problème est toutefois davantage lié aux aspects denormalisation que de codage.
Pour les langues utilisant beaucoup de caractères extérieurs àUS-ASCII, UTF-8 occupe sensiblement plus d'espace. Par exemple, les idéogrammes courants employés dans les textes de langues asiatiques comme lechinois ou lejaponais (kanji, par exemple) utilisent3 octets en UTF-8 contre2 octets en UTF-16.
De manière générale, les écritures employant beaucoup de points de code de valeur égale ou supérieure à U+0800 occupent plus de mémoire que s'ils étaient codés avec UTF-16 (UTF-32 sera plus efficace uniquement pour les textes utilisant majoritairement des écritures anciennes ou rares codées hors du plan multilingue de base, c'est-à-dire à partir de U+10000, mais il peut aussi s'avérer utile localement dans certains traitements pour simplifier les algorithmes, car les caractères y ont toujours une taille fixe, la conversion des données d'entrée ou de sortie depuis ou vers UTF-8 ou UTF-16 étant triviale).
Par son système de codage, il était éventuellement possible de représenter un code de différentes manières en UTF-8, ce qui pouvait poser un problème de sécurité : un programme mal écrit peut accepter un certain nombre de représentations UTF-8, normalement non valides selon laRFC 3629[8] et dans les spécifications (maintenant équivalentes entre elles) publiées par l'ISO 10646 et Unicode ; mais ce n'était pas le cas selon la spécification originale, qui permettait de les convertir comme un seul et même caractère.
Ainsi, unlogiciel détectant certaines chaînes de caractères (pour prévenir lesinjections SQL, par exemple) pouvait échouer dans sa tâche (ce n'est plus le cas si la conformité du codage avec la définition stricte et normalisée d'UTF-8 est vérifiée avant toute chose).
Prenons un exemple tiré d'un cas réel de virus attaquant desserveurs HTTP duWeb en2001 ((en)Crypto-Gram: July 15, 2000Microsoft IIS and PWS Extended Unicode Directory Traversal VulnerabilityMicrosoft IIS 4.0/5.0 Web Directory Traversal Vulnerability). Une séquence à détecter pourrait être « /../ » représentée en ASCII (a fortiori en UTF-8) par les octets « 2F 2E 2E 2F » en notationhexadécimale. Cependant, une manière malformée de coder cette chaîne en UTF-8 serait « 2F C0 AE 2E 2F », appelée aussi en anglaisoverlong form (forme superlongue). Si le logiciel n'est pas soigneusement écrit pour rejeter cette chaîne, en la mettant par exemple sous formecanonique, une brèche potentielle de sécurité est ouverte. Cette attaque est appeléedirectory traversal.
Les logiciels acceptant du texte codé en UTF-8 ont été blindés pour rejeter systématiquement ces formes longues car non conformes à la norme : soit le texte entier est rejeté ; mais parfois les séquences non valides sont remplacées par un caractère de substitution (généralement U+FFFD si l'application accepte et traite ce caractère normalement ; parfois un point d'interrogation ou lecaractère de contrôle de substitutionSUB U+001A de l'ASCII, qui peuvent poser d'autres problèmes de compatibilité) ; moins souvent, ces séquences interdites sont éliminées silencieusement (ce qui est très peu recommandé).
UTF-8 ne peut représenter le caractère de contrôle nul (U+0000) qu'avec un seul octet nul, ce qui pose des problèmes de compatibilité avec le traitement de chaînes qui ne codifient pas séparément leur longueur effective car cet octet nul ne représente alors aucun caractère mais la fin de chaîne (cas très courant en langage C ou C++ et dans les API des systèmes d'exploitation). Si un caractère nul doit être stocké dans un texte sur de tels systèmes, il sera nécessaire de recourir à un système d'échappement, spécifique de ce langage ou système avant de coder en UTF-8 le texte ainsi transformé. En pratique, aucun texte valide ne devrait contenir ce caractère. Une autre solution est d'utiliser une des séquences interdites dans le codage UTF-8 standard afin de coder le caractère par cette séquence ; mais le texte ainsi codé ne sera pas conforme au codage UTF-8 standard, même si le codage ainsi modifié reste un format de transformation universelle conforme (qui ne doit cependant pas être désigné comme « UTF-8 »). Voir la section ci-dessous relative aux variantes non standards basées sur UTF-8.
L'utilisation d'UTF-8, comme de tout codage à pas variable, dans une base de données pose de multiples problèmes de performances.
Les opérations de comparaisons (=, >, <, BETWEEN, LIKE...), de tri (ORDER BY), de regroupement (GROUP BY), comme les opérations de dédoublonnement (DISTINCT) reposant sur la sémantique des informations, sont impossibles à gérer directement en UTF-8.
En effet, pour des chaînes de caractères comportant le même nombre de lettres (par exemple CHAR(8)), le nombre d'octets pouvant être différent (du fait notamment des caractères diacritiques : accents, ligatures...), les algorithmes utilisés doivent, pour la plupart, effectuer un alignement avant de pouvoir opérer, ce qui induit un surcoût de traitement non négligeable.
Par exemple le SGBD MySQL/MariaDB a choisi de représenter les caractères des chaînes présentées comme UTF-8 en utilisant systématiquement 3 octets par caractère. Les conséquences sont les suivantes : triplement du volume des données et division par trois de la longueur potentielle des clefs d'index par rapport au codage ASCII, et allongement des temps d'exécution pour les comparaisons, les tris, les regroupements ou le dédoublonnement. La chaîne est restituée en final sous la forme UTF-8 après un nettoyage des octets inutiles.
D'autres SGBD commeMicrosoft SQL Server ont choisi de compresser le support de l'UTF-8 en intercalant les caractères supplémentaires dans un codage à 2 octets, basé sur l'UNICODE en profitant des emplacements laissés vides par la spécification. L'effort supplémentaire pour la traduction en UTF-8 ne se situe qu'au recodage des caractères codés sur 2 octets et à l'expansion de ceux codés sur 3.
UTF-8 a été inventé parKenneth Thompson lors d'un dîner avecRob Pike aux alentours de[11]. Appelé alorsFSS-UTF, il a été immédiatement utilisé dans lesystème d'exploitationPlan 9 sur lequel ils travaillaient. Une contrainte à résoudre était de coder les caractères nul et '/' comme en ASCII et qu'aucun octet codant un autre caractère n'ait le même code. Ainsi les systèmes d'exploitationUNIX pouvaient continuer à rechercher ces deux caractères dans une chaîne sans adaptation logicielle.
FSS-UTF a fait l'objet d'un standard préliminaire X/Open de 1993[12] qui fut proposé à l'ISO. Cette dernière l'adopta dans le cadre de la normeISO/CEI 10646 sous le nom d'abord d'UTF-2, puis finalement UTF-8.
 Le graphique qui aurait dû être présenté ici ne peut pas être affiché car il utilise l'ancienne extension Graph, désactivée pour des questions de sécurité. Des indications pour créer un nouveau graphique avec la nouvelle extension Chart sont disponiblesici. |
| Graphe indiquant l'utilisation d'UTF-8 (bleu clair) dépassant les principaux autres codages de caractères de texte sur le Web. Vers 2010 la prévalence d'UTF-8 était de l'ordre de 50%, mais en 2016, elle était plutôt de 90%. |
| Statistiques reflétant les technologies utilisées sur les sites web déterminées à partir de techniques de reconnaissances de différents motifs, y compris éléments HTML, tags HTML spécifiques (comme le tag « generator meta », le code JavaScript, le code CSS, la structure des URL du site, les liens hors site, les entêtes HTTP par exemple les cookies, les réponses HTTP à certaines requêtes comme la compression. Statistiques basée sur un échantillon des10 premiers millions de sites web selon Alexa[15].Le total n'arrive pas à 100% car certains serveurs utilisent plusieurs technologies. |
| Source w3techs[16] |
Le codage original FSS-UTF était destiné à remplacer le codage multi-octets UTF-1 initialement proposé par l'ISO 10646. Ce codage initialement permissif, permettait plusieurs représentations binaires pour le même caractère (cela a été interdit dans la version normalisée dans la RFC publiée par le Consortium X/Open, et approuvé par Kenneth Thompson).
De plus il pouvait (dans une version préliminaire non retenue) coder tous les caractères dont la valeur de point de code comprenait jusqu'à32 bits en définissant un huitième type d'octet (dans des séquences comprenant jusqu'à6 octets), au lieu des7 types d'octets finalement retenus pour ne coder (dans des séquences comprenant aussi jusqu'à6 octets) que les points de code jusqu'à31 bits dans la version initiale d'UTF-8 (publiée par le Consortium X/Open sous le nom FSS-UTF, puis proposé par le comité technique d'ISO 10646 comme la proposition « UTF-2 » alors encore en concurrence avec la proposition « UTF-1 », jusqu'à ce que la proposition UTF-2 soit retenue et adopte le nom UTF-8 déjà retenu et utilisé dans X/Open et Plan 9).
Ce codage UTF-8 a été restreint encore lorsque Unicode et ISO 10646 sont convenus de n'allouer des caractères que dans les17 premiers plans afin de maintenir indéfiniment la compatibilité avec UTF-16 (sans devoir le modifier), en restreignant les séquences jusqu'à4 octets seulement et en n'utilisant que les5 premiers des7 types d'octets (ce qui a nécessité de définir comme non valides de nouvelles valeurs d'octet et certaines séquences d'octets pourtant valides individuellement).
L'IETF exige maintenant qu'UTF-8 soit pris en charge par défaut (et non pas simplement supporté en tant qu'extension) par tous les nouveauxprotocoles de communication d'Internet (publiés dans sesRFC numérotées) qui échangent du texte (les plus anciens protocoles n'ont toutefois pas été modifiés pour rendre ce support obligatoire, mais seulement étendus si possible, pour le supporter de façon optionnelle, si cela produit des incompatibilités ou introduit de nouveaux risques de sécurité : c'est le cas de protocoles Internet très utilisés commeDNS,HTTP,FTP,Telnet et deHTML dans ses versions initiales alors pas encore standardisés par le W3C et l'ISO).
Il est devenu incontournable, notamment dans les principaux logiciels de communication du web et aujourd'hui les systèmes d'exploitation :
Toutefois, des variantes d'UTF-8 (basées sur les possibilités de codage de la version initiale non restreinte) ont continué à être utilisées (notamment dans l'implémentation de la sérialisation des chaînes Java) pour permettre de coder sous forme d'un échappement multioctets certains caractères ASCII réservés normalement codés sur un seul octet (par exemple le caractère nul).
De plus, certains systèmes utilisent des chaînes de caractères non restreints : par exemple, Java (et d'autres langages y compris des bibliothèques de manipulation de chaînes en C,PHP, Perl, etc.) représentent les caractères avec des unités de codage sur16 bits (ce qui permet de stocker les chaînes en utilisant le codage UTF-16, mais sans les contraintes de validité imposées par UTF-16 concernant les valeurs interdites et l'appariement dans l'ordre des « demi-codets » ousurrogates) ; dans ce cas, les unités de codage sont traitées comme des valeurs binaires et il est nécessaire de les sérialiser de façon individuelle (indépendamment de leur interprétation possible comme caractères ou comme demi-points de code). Dans ce cas, chaque unité de codage16 bits qui représente un « caractère » (non-contraint) est sérialisé sous forme de séquences comprenant jusqu'à3 octets chacune, et certains octets interdits par l'implémentation (par exemple les caractères nuls ou la barre de fraction « / » dans un système de fichiers ou d'autres caractères codés sur un octet dans d'autres protocoles) sont codés sous forme de séquences d'échappement à deux octets dont aucun n'est nul, en utilisant simplement le principe de codage de la première spécification de FSS-UTF (avant celle qui a été retenue par le Consortium X/Open dans sa RFC initiale où ces échappements étaient spécifiquement interdits et le sont restés).
Avant l'adoption de la proposition UTF-2 retenue pour UTF-8, il a également existé une variante UTF-1, où les codages multiples étaient impossibles, mais cela nécessitait un codage/décodage plus difficile, devant prendre en compte la position de chaque octet et utilisant un certain nombre de valeurs « magiques ».
Ces extensions ou variantes ne doivent pas être appelées « UTF-8 ».
Avant l'accord survenu entre l'ISO/IEC et Unicode, il a existé une définition (aujourd'hui obsolète) permettant de coder (selon le même principe) des points de code comptant jusqu'à 31 bits significatifs (jusqu'à U-7FFFFFFFFFFFF) en utilisant des séquences comptant jusqu'à 6 octets. Cette définition reposait sur une ancienne RFC publiée par l'IETF, aujourd'hui obsolète (incompatible et non conforme aux versions actuelles des standards Unicode et ISO/IEC 10646).
L'accord entre les deux organismes de normalisation a interdit toute utilisation valide des points de code supérieurs à U+10FFFF (soit 17 plans de points de code) pour les échanges entre systèmes compatibles. Par conséquent, les octets préfixes de l'UTF-8 ne peuvent plus être supérieurs à 0xF4 en hexadécimal. L'octet préfixe 0xF4 ne peut être utilisé que pour coder (sur 4 octets) les points de code du17e et dernier plan valide (U+100000 à U+10FFFF), ce qui impose désormais une restriction sur la valeur du2e octet, mais permet une interopérabilité avec les standards de codage UTF-16. L'accord s'applique également à la définition actuelle de l'UTF-32, lui aussi modifié pour interdire l'utilisation de plus de 17 plans de points de code.
Cependant il peut exister des systèmes utilisant une telle extension de l'UTF-8 (ou de l'UTF-32) de façon interne et privée, mais qui n'est pas destinée aux échanges de textes standards entre systèmes interopérables. Ce type de codage est plutôt destiné à une utilisation intermédiaire nécessaire aux traitements internes dans certaines bibliothèques de code ou des formats de fichiers ou sérialisation spécifiques souhaitant encapsuler de façon universelle autre chose que du texte (par exemple des objets binaires, du code exécutable, des images, des marques spéciales, des métadonnées, des jeux de caractères privés ou non encore normalisés et faisant l'objet de tests ou d'évaluation au sein d'un groupe limité d'utilisateurs utilisant un accord privé spécifique entre eux, etc.).
Une de ces variantes non standards a fait cependant l'objet d'une standardisation ultérieure (en tant qu'alternative àUTF-16 et utilisant des paires de « demi-codets » codés chacun sur 3 octets ; soit6 octets en tout au lieu de4 avec UTF-8) : voirCESU-8.
Avec l'UTF-8 normalisé actuel (et aussi le codage UTF-32 normalisé actuel), le codage des « demi-codets » isolés est désormais interdit, comme il l'est aussi avec le codage CESU-8 (où les demi-codets doivent former des paires valides, avec un demi-codet fort codé sur 3 octets obligatoirement suivi d'un demi-codet faible codé sur 3 octets, pour coder les points de code standards des 16 plans supplémentaires hors du plan multilingue de base).
Le codage CESU-8 standard est donc totalement interopérable avec les codages UTF-8 (même s'il doit obligatoirement être explicitement identifié de façon différente), UTF-16 et UTF-32 des normes et standards actuels de l'ISO/IEC 10646 et d'Unicode.
Cependant des variantes privées autorisent le codage de demi-codets isolés au sein de bibliothèques spécifiques qui ne tiennent pas compte de la restriction sur leur utilisation en paires conformes au standard CESU-8. De telles extensions d'usage local (ou faisant l'objet d'un accord privé) ne doivent pas être identifiées comme CESU-8 dans les échanges interopérables de textes standards.
Par exemple, les API d'intégration des machines virtuellesJava (pour JNI,Java Native Interface ou pour la sérialisation des classes précompilées), qui permettent d'échanger les chaînes Java non contraintes sous forme de séquences d'octets (afin de les manipuler, utiliser ou produire par du code natif, ou pour le stockage sous forme de fichier natif codés en suites d'octets), sont suffixées par « UTFChars » ou « UTF », mais ce codage propre à Java n'est pas UTF-8 (La documentation de Sun la désigne commemodified UTF, mais certains documents plus anciens relatifs à JNI désignent encore ce codage incorrectement sous le nomUTF-8[17], ce qui a produit des anomalies de comportement de certaines bibliothèques natives JNI, notamment avec les API systèmes d'anciennes plateformes natives qui ne supportent pas nativement les codages de caractères sur plus de8 bits), car :
En conséquence :
Ces traitements peuvent être inefficaces pour l'interfaçage de grosses quantités de texte car ils demandent l'allocation de tampons mémoire supplémentaires pour s'interfacer ensuite dans le code natif avec des interfaces système ou réseau qui n'acceptent que l'UTF-8 standard.
Cependant JNI fournit aussi une API binaire plus efficace permettant d'utiliser UTF-16 directement, capable de s'interfacer directement avec les protocoles réseau et les interfaces système (par exemple les API Windows) qui supportent l'UTF-16, sans nécessiter aucune allocation mémoire supplémentaire pour le transcodage (seule la vérification de conformité peut être nécessaire, principalement pour vérifier dans le texte codé l'appariement correct des demi-codets ousurrogate, que Java (comme aussi d'autres langages de programmation) permet de manipuler sans restriction de validité dans ses propres chaînes de caractères non destinées au stockage des seuls textes conformes à l'UCS). Cette API binaire est supportée sur tous les systèmes où Java a été porté, même ceux dont le système d'exploitation n'offre pas d'API de texte Unicode (la prise en charge pouvant se faire dans l'application native hôte ou en utilisant les bibliothèques standard fournies avec la machine virtuelle Java ou d'autres bibliothèques natives indépendantes.
| Jeux de caractères de base |  | |
|---|---|---|
| Codification de fichiers et protocoles | ||
| Adaptations de référence |
| |
| Équivalences standards | ||
| Propriétés et algorithmes |
| |
| Transformations | ||
| Standards et normes liés |
| |
| Mises en œuvre et applications | ||
Jeux de caractères codés | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Multi-octets |
|  | |||||||||||
| 8 bits |
| ||||||||||||
| 7 bits |
| ||||||||||||
| Moins de 7 bits | |||||||||||||
