UTF8enkoodausta

UTF8enkoodausta tarkoittaa Unicode-merkistöjen esittämistä UTF-8-koodauksella. UTF-8 on muuttuvapituinen enkoodaus, joka kattaa koko Unicode-merkistön U+0000–U+10FFFF. Sen kehittivät Rob Pike ja Ken Thompson 1990-luvulla, ja siitä tuli laajalti käytetty osa Unicode-standardeja. UTF-8 on ASCII-yhteensopiva: U+0000–U+007F-merkit esitetään yhdellä tavulla samalla koodipainolla kuin ASCII.

Teknisesti UTF-8 käyttää 1–4 tavua per merkki. Yksittäinen ASCII-merkki säilyy samalla tavulla. Kaksitavuiset merkit ovat U+0080–U+07FF; niiden lead-tavu on 0xC2–0xDF ja seuraava tavu on 0x80–0xBF (continuation). Kolmitavuiset merkit kattavat U+0800–U+FFFF (surrogaattilat pois lukien) ja niiden lead-tavu on 0xE0–0xEF. Neljatavuiset merkit kattavat U+10000–U+10FFFF ja niiden lead-tavu on 0xF0–0xF4. Surrogaatkoodit U+D800–U+DFFF eivät ole kelvollisia UTF-8 -enkoodauksia. Overlong-enkoodaukset on estetty, jotta sama merkki ei voisi esiintyä pidemmällä kuin tarpeen.

Edut ovat ASCII-aloitus, ei endianness -ongelmia, sekä itsesynkronoituvuus: merkkien alku voidaan löytää etsimällä johtavat tavut. UTF-8 on laajasti tuettu webissä, ohjelmistoissa ja tiedostomuodoissa kuten JSON, XML ja HTML5. Käyttö on yleistä sekä verkkosovelluksissa että paikallisissa järjestelmissä.

Käytännön huomioita ovat oikea merkistöilmoitus: tiedoston tai verkko-otsikoiden koodaus on ilmoitettava esimerkiksi Content-Type-otsikossa tai HTML-dokumentissa meta-elementissä; BOMin läsnäolo voi aiheuttaa ongelmia joissakin sovelluksissa. Oikea UTF-8-enkoodaus vähentää virheitä monella kielellä ja merkistöillä.