UTF-8 (ang. 8-bit Unicode Transformation Format) – system kodowaniaUnicode, wykorzystujący od 1 do 4 bajtów do zakodowania pojedynczego znaku, w pełni kompatybilny zASCII. Jest najczęściej wykorzystywany do przechowywania napisów w plikach i komunikacji sieciowej.
Mapowanie znaków Unicode na ciągi bajtów możliwe jest na jeden z czterech sposobów:
U+00 doU+7F –0xxxxxxx, gdzie kolejne „x” to bity od najstarszego,U+80 doU+7FF –110xxxxx10xxxxxx,U+800 doU+FFFF –1110xxxx10xxxxxx10xxxxxx,U+10000 doU+10FFFF –11110xxx10xxxxxx10xxxxxx10xxxxxx.Znaki z przedziału ASCII (0 do 127) kodowane są jako jeden bajt, czyli m.in. literyalfabetu łacińskiego. Polskielitery diakrytyzowane kodowane już są jako dwa bajty.
W listopadzie 2003 roku kodowanie UTF-8 zostało ograniczone zgodnie zRFC 3629 ↓, w celu zapewnienia zgodności z ograniczeniami kodowania UTF-16. Po pierwsze ograniczono maksymalny kod doU+10FFFF. Wcześniej wynosił onU+7FFFFFFF, dopuszczalne były sekwencje złożone z 5 i 6 bajtów, a 4-bajtowe mogły kodować znaki doU+1FFFFF. Po drugie zabroniono kodów z zakresu odU+D800 doU+DFFF, co pomniejszyło liczbę dopuszczalnych kodów o dodatkowe 2048. W ten sposób pozostało dokładnie 17 · 65536 − 2048 kodów, co oznacza że w UTF-8 można zakodować 1 112 064 różnych znaków.
Teoretycznie w UTF-8 ten sam znak można zapisać na kilka sposobów. Przykładowo znakASCII/ (ukośnik) można by zapisać jako:
00101111,1100000010101111,111000001000000010101111,11110000100000001000000010101111.Stanowi to zagrożenie bezpieczeństwa m.in. dla serwerów, które sprawdzają obecność znaku/ w ścieżkach. Z tego powodu standard UTF-8 przewiduje, że poprawny jest wyłącznie najkrótszy możliwy sposób zapisu, a każdy program musi odrzucać znaki zapisane dłuższymi sekwencjami niż minimalna.
Kodowanie na podstawie znaku euro€:
20AC to binarnie0010 0000 1010 1100 po uzupełnieniu wiodącymi zerami do 16 bitów, ponieważ tyle bitów trzeba zakodować na 3 bajtach w UTF-8.1110…).11100010), a reszta bitów dzielona jest na dwa bloki po 6 bitów każdy (…0000 1010 1100).10, by tworzyły następujące 8-bitowe wartości1000 0010 i1010 1100).111000101000 00101010 1100, co w systemie szesnastkowych przyjmuje postaćE282AC.Poniższa tabela pozwala zrozumieć sposób kodowana różnej długości numerów kodowych Unicode w UTF-8.
| Unicode | Unicode binarnie | UTF-8 binarnie 1. bajt 2. bajt 3. bajt 4. bajt | UTF-8 szesnastkowo | |
|---|---|---|---|---|
| $ | U+0024 | 0100100 | 00100100 | 24 |
| ¢ | U+00A2 | 000 10100010 | 1100001010100010 | C2A2 |
| € | U+20AC | 00100000 10101100 | 111000101000001010101100 | E282AC |
| 𐍈 | U+10348 | 00001 00000011 01001000 | 11110000100100001000110110001000 | F0908D88 |