Aller au contenu principal

4. Syntax of UTF-8 Byte Sequences (Syntaxe des séquences d'octets UTF-8)

Pour la commodité des implémenteurs utilisant ABNF, une définition d'UTF-8 en syntaxe ABNF est donnée ici.

Définition de chaîne UTF-8 (UTF-8 String Definition)​

Une chaîne UTF-8 est une séquence d'octets représentant une séquence de caractères UCS. Une séquence d'octets n'est UTF-8 valide que si elle correspond à la syntaxe suivante, qui est dérivée des règles de codage UTF-8 et est exprimée dans l'ABNF de [RFC2234].

Syntaxe ABNF​

UTF8-octets = *( UTF8-char )
UTF8-char   = UTF8-1 / UTF8-2 / UTF8-3 / UTF8-4
UTF8-1      = %x00-7F
UTF8-2      = %xC2-DF UTF8-tail
UTF8-3      = %xE0 %xA0-BF UTF8-tail / %xE1-EC 2( UTF8-tail ) /
              %xED %x80-9F UTF8-tail / %xEE-EF 2( UTF8-tail )
UTF8-4      = %xF0 %x90-BF 2( UTF8-tail ) / %xF1-F3 3( UTF8-tail ) /
              %xF4 %x80-8F 2( UTF8-tail )
UTF8-tail   = %x80-BF

Explication de la syntaxe (Syntax Explanation)​

UTF8-1 : Séquences à un octet​

%x00-7F
  • Plage : 0x00 à 0x7F (0-127)
  • Codage : Plage ASCII complète
  • Modèle : 0xxxxxxx

UTF8-2 : Séquences à deux octets​

%xC2-DF UTF8-tail
  • Premier octet : 0xC2 à 0xDF (194-223)
  • Octet de queue : 0x80 à 0xBF (128-191)
  • Modèle : 110xxxxx 10xxxxxx
  • Note : Le premier octet ne peut pas être 0xC0 ou 0xC1 (produirait un codage trop long)

UTF8-3 : Séquences à trois octets​

Quatre cas :

Cas 1 : %xE0 %xA0-BF UTF8-tail​

  • Premier octet : 0xE0
  • Deuxième octet : 0xA0 à 0xBF
  • Troisième octet : 0x80 à 0xBF
  • Plage de codage : U+0800 à U+0FFF

Cas 2 : %xE1-EC 2( UTF8-tail )​

  • Premier octet : 0xE1 à 0xEC
  • Octets suivants : Deux UTF8-tail (0x80-0xBF)
  • Plage de codage : U+1000 à U+CFFF

Cas 3 : %xED %x80-9F UTF8-tail​

  • Premier octet : 0xED
  • Deuxième octet : 0x80 à 0x9F
  • Troisième octet : 0x80 à 0xBF
  • Plage de codage : U+D000 à U+D7FF
  • Note : Évite la plage des paires de substitution (U+D800-U+DFFF)

Cas 4 : %xEE-EF 2( UTF8-tail )​

  • Premier octet : 0xEE à 0xEF
  • Octets suivants : Deux UTF8-tail
  • Plage de codage : U+E000 à U+FFFF

UTF8-4 : Séquences à quatre octets​

Trois cas :

Cas 1 : %xF0 %x90-BF 2( UTF8-tail )​

  • Premier octet : 0xF0
  • Deuxième octet : 0x90 à 0xBF
  • Octets suivants : Deux UTF8-tail
  • Plage de codage : U+10000 à U+3FFFF

Cas 2 : %xF1-F3 3( UTF8-tail )​

  • Premier octet : 0xF1 à 0xF3
  • Octets suivants : Trois UTF8-tail
  • Plage de codage : U+40000 à U+FFFFF

Cas 3 : %xF4 %x80-8F 2( UTF8-tail )​

  • Premier octet : 0xF4
  • Deuxième octet : 0x80 à 0x8F
  • Octets suivants : Deux UTF8-tail
  • Plage de codage : U+100000 à U+10FFFF

Valeurs d'octets invalides (Invalid Byte Values)​

Les valeurs d'octets suivantes n'apparaissent jamais dans des séquences UTF-8 valides :

Valeurs d'octets interdites :
- 0xC0, 0xC1     (produiraient des séquences à 2 octets trop longues)
- 0xF5 - 0xFF    (au-delà de la plage Unicode)

⚠️ Note importante​

NOTE -- La définition autoritative d'UTF-8 se trouve dans [UNICODE]. Cette grammaire est censée décrire la même chose que Unicode décrit, mais ne prétend pas être autoritative. Les implémenteurs sont invités à se fier à la source autoritative, plutôt qu'à cet ABNF.

Liens connexes​

Dernière mise à jour le