名称

utf8 — UTF-8, ISO 10646 の変換フォーマット

書式

ENCODING

“UTF-8”

解説

UTF-8 符号化は各文字毎に 1 と 6 の間に使用して、オクテットのシーケンスとして UCS-4 文字を表します。それは ASCII と後方互換性をもっています。したがって、0x00-0x7f は ASCII 文字セットを参照します。 ASCII ではない文字のマルチバイト符号化は、全てが上位ビットがセットされているバイトで構成されます。実際の符号化は次のテーブルによって表わされます。

[0x00000000 - 0x0000007f] [00000000.0bbbbbbb] -> 0bbbbbbb 
[0x00000080 - 0x000007ff] [00000bbb.bbbbbbbb] -> 110bbbbb, 10bbbbbb 
[0x00000800 - 0x0000ffff] [bbbbbbbb.bbbbbbbb] -> 
 1110bbbb, 10bbbbbb, 10bbbbbb 
[0x00010000 - 0x001fffff] [00000000.000bbbbb.bbbbbbbb.bbbbbbbb] -> 
 11110bbb, 10bbbbbb, 10bbbbbb, 10bbbbbb 
[0x00200000 - 0x03ffffff] [000000bb.bbbbbbbb.bbbbbbbb.bbbbbbbb] -> 
 111110bb, 10bbbbbb, 10bbbbbb, 10bbbbbb, 10bbbbbb 
[0x04000000 - 0x7fffffff] [0bbbbbbb.bbbbbbbb.bbbbbbbb.bbbbbbbb] -> 
 1111110b, 10bbbbbb, 10bbbbbb, 10bbbbbb, 10bbbbbb, 10bbbbbb

値の単一表現を越えるものが存在する場合、(例えば、0x00; 0xC0 0x80; 0xE0 0x80 0x80) 最短の表現が常に使用されます。より長い表現は潜在的なセキュリティリスクを提示し、エラーとして検出されます。そして、1:1 文字:オクテットシーケンスマッピングを破壊します。

関連項目

euc(5) Rob Pike and Ken Thompson, Hello World, Proceedings of the Winter 1993 USENIX Technical Conference, USENIX Association, January 1993. F. Yergeau, UTF-8, a transformation format of ISO 10646, January 1998, RFC 2279. The Unicode Standard, Version 3.0, The Unicode Consortium, 2000, as amended by the Unicode Standard Annex #27: Unicode 3.1 and by the Unicode Standard Annex #28: Unicode 3.2.

規格

utf8 符号化は、RFC 2279 および Unicode 3.2 と互換性があります。