Propiedades¶

La codificación UTF-8 tiene los siguientes propiedades atractivas:

*

Los caracteres UCS 0x00000000 a 0x0000007f (el conjunto clásico de caracteres US-ASCII se codifican simplemente como los bytes 0x00 a 0x7f (compatibilidad con ASCII) Esto significa que los ficheros y cadenas que contengan solamente caracteres ASCII de 7 bits tienen la misma codificación en ASCII y en UTF-8.

*

Todos los caracteres UCS mayores que 0x7f se codifican como una secuencia multibyte formada solamente por bytes en el intervalo 0x80 a 0xfd, por tanto ningún byte ASCII puede aparecer como parte de otro carácter y no hay problemas con, por ejemplo, '\0' or '/'.

*

Se preserva la enumeración lexicográfica de las cadenas UCS-4.

*

Los 2^31 códigos posibles UCS pueden codificarse con UTF-8.

*

Los bytes 0xc0, 0xc1, 0xfe y 0xff no se usan nunca en la codificación UTF-8.

*

El primer byte de una secuencia multibyte que represente un carácter no ASCII UCS siempre se halla en el intervalo 0xc0 a 0xfd, e indica la longitud de la secuencia. El resto de los bytes de la secuencia se hallan en el intervalo 0x80 a 0xbf. Esto permite una fácil resincronización y resulta en una codificación sin estado y robusta frente a la pérdida de bytes.

*

Los caracteres UCS codificados en UTF-8 pueden llegar a ser de 6 bytes, no obstante el estándar Unicode no especifica caracteres por encima de 0x10ffff, por lo tanto los caracteres Unicode sólo pueden ser de 4 bytes como mucho en UTF-8.

Codificación¶

Las siguientes secuencias de bytes se usan para representar un carácter. La secuencia a usar depende del código UCS correspondiente al carácter:

0x00000000 - 0x0000007F:

0xxxxxxx

0x00000080 - 0x000007FF:

110xxxxx 10xxxxxx

0x00000800 - 0x0000FFFF:

1110xxxx 10xxxxxx 10xxxxxx

0x00010000 - 0x001FFFFF:

11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

0x00200000 - 0x03FFFFFF:

111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

0x04000000 - 0x7FFFFFFF:

1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

Las posiciones xxx se rellenan con los bits de la representación binaria del número de código del carácter, con el bit más importante primero (big-endian). Sólo se puede usar la secuencia más corta que pueda representar el número de código.

Los valores del código UCS 0xd800–0xdfff (sustitutos de UTF-16) así como 0xfffe y 0xffff (caracteres no UCS) no deberían aparecer en flujos conformes con UTF-8. Según el RFC 3629, no debería emplearse ningún valor más allá de U+10FFFF lo que limita los caracteres a cuatro bytes.

Ejemplo¶

El carácter Unicode 0xa9 = 1010 1001 (el signo de copyright) se codifica en UTF-8 como

y el carácter 0x2260 = 0010 0010 0110 0000 (el símbolo de "distinto que") se codifica como:

Observaciones sobre aplicaciones¶

Los usuarios tiene que seleccionar una localización UTF-8, por ejemplo con

para poder activar el soporte de UTF-8 en las aplicaciones.

Aquellas aplicaciones que deban ser conscientes de la codificación de caracteres usada deben establecer siempre la localización mediante por ejemplo

y los programadores pueden comprobar la expresión

para averiguar si se ha seleccionado una localización UTF-8 y por tanto toda la entrada y salida en texto plano, la comunicación con la terminal, el contenido de un fichero con texto plano, los nombres de fichero y las variables de entorno están codificadas en UTF-8.

Los programadores acostumbrados a codificaciones de un sólo byte tales como US-ASCII o ISO 8859 deben ser conscientes de que dos suposiciones hechas hasta ahora ya no son válidas con localizaciones UTF-8. En primer lugar, un byte ya no se corresponde necesariamente con un sólo carácter. En segundo lugar, puesto que los modernos emuladores de terminal en modo UTF-8 soportan también caracteres de doble ancho del chino, japonés y coreano, así como caracteres combinantes de no espaciado, escribir en la salida un carácter individual no implica necesariamente avanzar el cursor una posición como sucedía en ASCII. En la actualidad se deben usar funciones de biblioteca como mbsrtowcs(3) y wcswidth(3) para contar caracteres y posiciones del cursor.

La secuencia de escape oficial para cambiar de un esquema de codificación ISO 2022 (como el que se utiliza por ejemplo en las terminales VT100) a UTF-8 es ESC % G ("\x1b%G"). La correspondiente secuencia de retorno de UTF-8 a ISO 2022 es ESC % @ ("\x1b%@"). Otras secuencias ISO 2022 (como para cambiar los conjuntos G0 y G1) no son aplicables en el modo UTF-8.

Seguridad¶

Los estándares Unicode y UCS requieren que los fabricantes de UTF-8 usen la forma más corta posible, p.ej: producir una secuencia de dos bytes que tenga como primer byte 0xc0 no se ajustaría al estándar. Unicode 3.1 añade el requisito de que los programas no deben aceptar en su entrada formas que no cumplan la condición anterior. Ésto es por motivos de seguridad: si un programa desea comprobar posibles violaciones de seguridad en la entrada del usuario, éste podría verificar solamente la versión ASCII de "/../" o ";" o NUL y pasar por alto las diferentes maneras no-ASCII de representar estas situaciones en una codificación UTF-8 con formato no reducido.

Estándares¶

ISO/IEC 10646-1:2000, Unicode 3.1, RFC 3629, Plan 9.