UTF8merkistö

UTF-8-merkistöä on Unicode-merkistön muuttuvapituinen koodaus, joka on suunniteltu sekä tehokkaaksi että ASCII-yhteensopivaksi. UTF-8 otettiin laajasti käyttöön 1990-luvulla; sen kehitti Rob Pike ja Ken Thompson Bell Labsissä. Standardointi on edistynyt useissa RFC-dokumenteissa, joista keskeisin on RFC 3629 (2003).

Merkinnässä yksittäinen Unicode-merkki koodataan 1–4 tavun pituisina jonoina. Ensimmäinen tavu kertoo, kuinka monta tavua merkki koostuu: 1-tavun merkit ovat ASCII-merkkejä (U+0000–U+007F) ja vastaavat samaa tavujonoa. 2-tavun merkeissä ensimmäinen tavu alkaa 110xxxxx ja seuraava 10xxxxxx. 3-tavun merkeissä ensimmäinen tavu on 1110xxxx ja loput 10xxxxxx. 4-tavun merkeissä ensimmäinen tavu on 11110xxx ja loput 10xxxxxx. Näin UTF-8 kattaa koko Unicode-alueen U+0000–U+10FFFF.

Ominaisuudet ja vaikutukset: UTF-8 on ASCII-yhteensopiva, joten vanha ASCII on suoraan kelvollinen UTF-8-merkistössä. Koska kyse on tavujen järjestelystä, endianness-ongelmat ovat vältettävissä. UTF-8 on itse synkronoiva merkistö, mikä helpottaa virheenkorjausta ja merkkien erottamista virhetilanteissa. Surrogaatit (käytössä UTF-16:ssa) eivät ole kelvollisia Unicode-merkkejä UTF-8:ssä, eikä niitä käytetä koodauksessa.

Käyttö: UTF-8 on nykyisin Internetin ja monien ohjelmistojen oletusmerkistö sekä suosittu valinta Unicode-merkkien tallentamiseen ja siirtämiseen. Sen laaja tuki, pienet lisäominaisuudet ja vakiintunut asema tekevät siitä standardin monilla alueilla, mukaan lukien verkkosivut, tiedostot ja ohjelmointikielet. Byte Order Markin käytöstä on epävarmuutta; usein sitä ei käytetä UTF-8:ssa.