UTF8Sequenzen

UTF8Sequenzen bezeichnen die Bytefolgen, mit denen Unicode-Zeichen im UTF-8-Verfahren kodiert werden. UTF-8 ist eine rückwärts kompatible, variable Längenkodierung, die ASCII-Ebene direkt abbildet und sich dadurch gut für Textdaten in Netzwerken, Dateisystemen und Programmierumgebungen eignet.

Die Kodierung verwendet 1 bis 4 Bytes pro Zeichen. Einzeichige Zeichen U+0000 bis U+007F werden als einzelnes Byte 0xxxxxxx kodiert. Zeichen U+0080 bis U+07FF benötigen zwei Bytes: 110xxxxx 10xxxxxx. Zeichen U+0800 bis U+FFFF verwenden drei Bytes: 1110xxxx 10xxxxxx 10xxxxxx. Zeichen U+10000 bis U+10FFFF benötigen vier Bytes: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. Jedes Trennbyte beginnt mit 10, wodurch die Folge als Sequenz erkennbar wird.

Zur Gültigkeit gehören Regeln gegen overlong encodings (eine Codierung, die einen Codepunkt in zu vielen Bytes darstellt), gegen Surrogate (D800–DFFF sind ungültige Unicode-Skalare in UTF-8), und gegen Codepunkte jenseits von U+10FFFF. UTF-8 ist endianness-neutral; ein Bytefluss hat unabhängig von Maschinenordnung dieselbe Bedeutung. Ein Byte-Order-Mark (BOM) am Anfang einer Datei ist optional (UTF-8-BOM EF BB BF) und wird von vielen Protokollen nicht benötigt oder gemieden.

Praxisrelevanz: UTF-8 wird in den meisten modernen Textformaten und Protokollen bevorzugt (Web, JSON, XML, E-Mail). Decodierung sollte strikt fehlerhaft melden, wenn ungültige Sequenzen auftreten, um Sicherheitsrisiken zu minimieren.

Beispiele: U+0041 → 41; U+20AC (€) → E2 82 AC; U+1F600 (Grinsemotiv) → F0 9F 98 80. UTF-8-Sequenzen ermöglichen so eine konsistente, plattformübergreifende Darstellung von Unicode-Zeichen.