UTF-8 (Unicode Transformation Format 8) je način zapisa kodnih točaka u standardu Unicode pomoću nizova 8-bitnih bajtova.
Prednost kodiranja je u tome što je "unatrag" kompatibilan sa 7-bitnim ASCII standardom. Slova većine europskih i bliskoistočnih pisama se kodiraju s najviše 16 bita.
Postoji nekoliko vrijedećih, vrlo malo različitih definicija u različitim dokumentima:
Kodiranje ovisi o vrijednosti kodne točke. Kodne točke do iznosa 127 se zapisuju kao jedan 8-bitni bajt, te se stoga poklapaju s 7-bitnim ASCII kodiranjem. U ostalim slučajevima se vrijednost kodne točke zapisuje kao niz od dva ili više 8-bitnih bajtova. U takvom nizu od dva ili više bajtova, svaki bajt ima najznačajniji bit postavljen na 1. Prvi bajt u takvom nizu ima barem prva dva najznačajnija bita postavljene na 1, a svi ostali imaju drugi najznačajniji bit na 0 (dakle počinju kao 10...). Broj uzastopnih jedinica na značajnijem kraju prvog bajta označava ukupnu duljinu niza bajtova za prikaz jedne kodne točke.Uzimajući u obzir dozvoljena područja kodnih točki, to daje veliku redundantnost, a opet kompaktnost.
Sljedeća tablica prikazuje primjerom kodiranje za kodne točke u 21-bitnom prostoru, što je dovoljno za sadašnju verziju Unicode standarda. No koncept iza UTF-8 kodiranja je sposoban i za pohranu 32-bitnih vrijednosti, u kojem slučaju bi bilo potrebno do 6 bajtova.
Opseg kodne točke (hex.) | Shema bitova | Zapis u UTF-8 (bitovi) | Napomene |
---|---|---|---|
000000–00007F 128 kodova |
00000000 00000000 0zzzzzzz | 0zzzzzzz | kompatibilno s ASCII, prvi (jedini) bajt počinje s 0 |
sedam z | sedam z; vrijednosti 00–7F | ||
000080–0007FF 1920 kodova |
00000000 00000yyy yyzzzzzz | 110yyyyy 10zzzzzz | prvi bajt počinje s 110, ostali s 10 |
tri y, dva y, šest z | pet y, šest z; vrijednosti C2–DF i 80–BF | ||
000800–00D7FF 00E000–00FFFF 61440 kodova |
00000000 xxxxyyyy yyzzzzzz | 1110xxxx 10yyyyyy 10zzzzzz | prvi bajt počinje s 1110, ostala 2 s 10 |
četiri x, četiri y; dva y, šest z | četiri x, šest y, šest z; vrijednosti E0–EF i2x 80–BF | ||
010000–10FFFF 1048576 kodova |
000wwwxx xxxxyyyy yyzzzzzz | 11110www 10xxxxxx 10yyyyyy 10zzzzzz | prvi bajt počinje s 11110, ostala 3 s 10 |
tri w, dva x; četiri x, četiri y; dva y, šest z | tri w; šest x; šest y; šest z; vrijednosti F0–F4 i 3x 80–BF |
Na primjer, znak alef (א), koji ima u standardu Unicode kod U+05D0, se zapisuje pomoću UTF-8 ovako: