UTF-8

名前

説明

Unicode と UCS の UTF-8 符号化にはこれらの問題がないので、 UNIX 形式の OS 上で Unicode 文字集合を使用するための一般的な方法となっている。  

性質

•

UCS characters 0x00000000 to 0x0000007f (the classic US-ASCII characters) are encoded simply as bytes 0x00 to 0x7f (ASCII compatibility). This means that files and strings which contain only 7-bit ASCII characters have the same encoding under both ASCII and UTF-8.

•

All UCS characters greater than 0x7f are encoded as a multibyte sequence consisting only of bytes in the range 0x80 to 0xfd, so no ASCII byte can appear as part of another character and there are no problems with, for example, '\0' or '/'.

•

UCS-4 文字列では辞書的ソートの順序が保たれる。

•

All possible 2^31 UCS codes can be encoded using UTF-8.

•

UTF-8 符号化ではバイト 0xc0, 0xc1, 0xfe, 0xff が使用されることはない。

•

ASCII でない UCS 文字の多バイト列の最初のバイトは、 常に 0xc2 から 0xfd の範囲で表現され、 その文字が何バイトで構成されているかを示す。 多バイト列の残りの部分のバイトは、それぞれ 0x80 から 0xbf の範囲にある。 これにより同期が容易になり、ステートレスな符号化が可能になり、 バイトの紛失に対して堅固になる。

•

UTF-8 を使用した UCS 文字の符号化は最大 6 バイトの長さになる。 しかし、Unicode 規格では 0x10ffff より先の文字を指定しないので、 Unicode 文字は UTF-8 では 4 バイトまでにしかならない。

符号化

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

xxx ビットの部分には 2 進数表現の文字コードのビット部分が対応する。 2 進数表では最上位ビット (MSB) が最初に置かれる (big-endian)。その文字を表現するのに最も短いバイト列のみが使用できる。

The UCS code values 0xd800-0xdfff (UTF-16 surrogates) as well as 0xfffe and 0xffff (UCS noncharacters) should not appear in conforming UTF-8 streams. According to RFC 3629 no point above U+10FFFF should be used, which limits characters to four bytes.  

例

11000010 10101001 = 0xc2 0xa9

0x2260 = 0010 0010 0110 0000 (不等号) は以下の通り。

11100010 10001001 10100000 = 0xe2 0x89 0xa0

アプリケーションにおける注意

export LANG=en_GB.UTF-8

のようにして UTF-8 ロケールを選択しなければならない。

使用されている文字符号化を分かっていなければならない アプリケーションソフトウェアは、 以下のようにして常にロケールを設定すべきである。

setlocale(LC_CTYPE, "")

また、プログラマーは

streq(nl_langinfo(CODESET), "UTF-8")

to determine whether a UTF-8 locale has been selected and whether therefore all plaintext standard input and output, terminal communication, plaintext file content, filenames, and environment variables are encoded in UTF-8.

Programmers accustomed to single-byte encodings such as US-ASCII or ISO/IEC~8859 have to be aware that two assumptions made so far are no longer valid in UTF-8 locales. Firstly, a single byte does not necessarily correspond any more to a single character. Secondly, since modern terminal emulators in UTF-8 mode also support Chinese, Japanese, and Korean double-width characters as well as nonspacing combining characters, outputting a single character does not necessarily advance the cursor by one position as it did in ASCII. Library functions such as mbsrtowcs(3) and wcswidth(3) should be used today to count characters and cursor positions.

The official ESC sequence to switch from an ISO/IEC~2022 encoding scheme (as used for instance by VT100 terminals) to UTF-8 is ESC % G ("\x1b%G"). The corresponding return sequence from UTF-8 to ISO/IEC~2022 is ESC % @ ("\x1b%@"). Other ISO/IEC~2022 sequences (such as for switching the G0 and G1 sets) are not applicable in UTF-8 mode.  

セキュリティ

標準

関連項目

Index

名前

説明

性質

符号化

例

アプリケーションにおける注意

セキュリティ

標準

関連項目