UTF-8

UTF-8是Unicode的其中一個使用方式。 UTF是 Unicode Translation Format，即把Unicode轉做某種格式的意思。

它定義於ISO 10646，而RFC3629也定義了相似的做法。

使用UTF-8的原因

由於要使文字檔案之中的文字與ASCII兼容，故此 UTF-8 選擇了使用可變長度字節來儲存 Unicode ，例如，原來的 ASCII字母繼續使用1字節儲存，而重音文字、希臘字母或西里爾字母等使用2字節來儲存，而常用的漢字就要使用3字節，至於輔助平面字元則使用4字節。

UTF-8的編碼模式

UTF-8不使用大尾序和小尾序的形式。每個使用UTF-8儲存的字符，除了第一個字節外，其餘字節的頭兩個位元都是以 "10" 開始，使文字處理器能夠較快地找出每個字符的開始位置。

* 0xxxxxxx                                               (00-7f)
* 110xxxxx 10xxxxxx                                      (c0-df)(80-bf)
* 1110xxxx 10xxxxxx 10xxxxxx                             (e0-ef)(80-bf)(80-bf)
* 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx                    (f0-f7)(80-bf)(80-bf)(80-bf)
* 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx           (f8-fb)(80-bf)(80-bf)(80-bf)(80-bf)
* 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  (fc-fd)(80-bf)(80-bf)(80-bf)(80-bf)(80-bf)

為了和UTF-16的編碼空間一致，在最新的ISO 10646的標準裡，最多-{}-只使用4字節編碼。5字節及6字節UTF-8已不會再使用。

在UTF-8文件的開首，很多時都放置一個U+FEFF字符 (UTF-8 以 EF,BB,BF 代表)，以顯示這個文字檔案是以UTF-8編碼。

對 UTF-8 的批評

UTF-8 使用可變長度字節儲存，使電腦程式設計變得複雜。 (故此，在電腦程式或操作系統內部，多採用UCS-2編碼。)

在舊式的中文、日文及韓文編碼之中，每字元都使用2字節儲存，而UTF-8須使用3字節。 (採用UTF-16編碼則可只使用2字節儲存。)

泰語以往使用的ISO 8859-11，每字元只使用1字節儲存，而UTF-8須使用3字節。

外部連結

• Rob Pike tells the story of UTF-8's creation
• Original UTF-8 paper
• RFC 3629, UTF-8 標準
• RFC 2277, IETF policy on character sets and languages
• UTF-8 和 Unicode FAQ
• UTF-8
• UTF-8 測試頁
• 另一個 UTF-8 測試頁
• UTF-8 and Debian 和 Linux UTF-8 How-To.

模板:Unicode related