UTF8merkkikoodausta

UTF-8 merkkikoodausta on Unicode-merkkien koodausjärjestelmä, joka tallentaa jokaisen merkin yhdestä neljään tavua. Se on byterajapohjainen ja ASCII-yhteensopiva: U+0000–U+007F-merkit tallennetaan samoina yksittäisinä tavuina kuin ASCII-koodauksessa. Tämä tekee UTF-8:stä erityisen suositun webissä ja ohjelmistojen välisessä tiedonsiirrossa.

Koodausmuoto ja pituudet. UTF-8 käyttää 1–4 tavun pituisia koodeja seuraavasti: 1 tavun merkit ovat 0xxxxxxx, eli U+0000–U+007F. 2 tavun merkit ovat 110xxxxx 10xxxxxx, eli U+0080–U+07FF. 3 tavun merkit ovat 1110xxxx 10xxxxxx 10xxxxxx, eli U+0800–U+FFFF (poislukien varjoalueet U+D800–U+DFFF). 4 tavun merkit ovat 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx, eli U+10000–U+10FFFF. Kaikki merkit väitetään tässä rajassa; koodipisteet yli U+10FFFF eivät ole sallittuja.

Ominaisuudet ja edut. UTF-8 on endianninessa riippumaton, mikä tarkoittaa, että tavut tallentuvat samalla tavalla riippumatta järjestelmän tavujärjestyksestä. Se on myös itse-synkronoiva, joten merkkirajojen jaon voi löytää etäisyydestä helposti. ASCII-yhteensopivuus sekä laaja Unicode-tuki ovat tehneet UTF-8:stä käytännön de facto -standardin sekä tiedostojen että verkkoliikenteen koodauksessa.

Käyttö ja virheenkäsittely. UTF-8 koodaa ja dekoodaa merkit nopeasti ja tehokkaasti, ja sitä tuetaan lähes kaikissa ohjelmointi- ja tiedonkäsittelyjärjestelmissä. Virheellinen sekvenssi voidaan dekoodaustilanteessa hylätä, korvata merkinnällä U+FFFD (replacement character) tai hoitaa lakeihin perustuvan virheenkäsittelyn mukaan. Useimmat modernit käytännöt suosivat UTF-8:n käyttöä kaikessa uudessa tiedonvaihdossa.