RFC 3629 - UTF-8, ISO 10646 的转换格式

状态: Internet Standard
发布日期: November 2003
Stream: IETF
废弃了: RFC2279
勘误: 无勘误

摘要

ISO/IEC 10646-1 定义了一个称为 Universal Character Set (UCS) 的大型字符集, 它涵盖了世界上大多数书写系统. 然而, 最初提出的 UCS 编码与许多现有应用和协议并不兼容, 这促成了 UTF-8 的发展, 也就是本文档的主题. UTF-8 的特点是保留完整的 US-ASCII 范围, 从而兼容依赖 US-ASCII 值但对其他值透明的文件系统、解析器和其他软件. 本备忘录废弃并取代 RFC 2279.

本备忘录状态

本文档为 Internet 社区规定一项 Internet 标准跟踪协议, 并请求讨论和改进建议. 请参考当前版本的 "Internet Official Protocol Standards" (STD 1), 了解本协议的标准化阶段和状态. 本备忘录可无限制分发.

版权声明

UTF-8 为什么重要?

UTF-8 是现代 Internet 的标准字符编码. 几乎所有现代 Web 应用、API 和数据格式都使用 UTF-8.

核心优势

特性	描述	重要性
ASCII 兼容	ASCII 字符以相同字节编码	极高
无字节序问题	不存在 endian 差异	极高
自同步	可从任意位置恢复解码	很高
空间效率较高	英文 1 byte, CJK 通常 3 bytes	很高
通用支持	支持所有 Unicode 字符	极高

UTF-8 编码规则速查

编码表

Unicode Range           Bytes  UTF-8 Byte Pattern
─────────────────────────────────────────────
U+0000 - U+007F           1    0xxxxxxx
U+0080 - U+07FF           2    110xxxxx 10xxxxxx
U+0800 - U+FFFF           3    1110xxxx 10xxxxxx 10xxxxxx
U+10000 - U+10FFFF        4    11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

字符范围覆盖

1 byte (ASCII):
- Latin letters, digits, basic punctuation
- Control characters
- Range: U+0000 - U+007F

2 bytes:
- Latin extensions
- Greek, Cyrillic, Arabic, Hebrew
- Range: U+0080 - U+07FF

3 bytes:
- CJK (Chinese, Japanese, Korean) characters
- Most other writing systems
- Range: U+0800 - U+FFFF

4 bytes:
- Emoji
- Historical scripts, rare CJK characters
- Range: U+10000 - U+10FFFF

RFC 3629 - UTF-8, ISO 10646 的转换格式

摘要

本备忘录状态

版权声明

目录

UTF-8 为什么重要?

核心优势

UTF-8 编码规则速查

编码表

字符范围覆盖

相关资源

摘要​

本备忘录状态​

版权声明​

目录​

UTF-8 为什么重要?​

核心优势​

UTF-8 编码规则速查​

编码表​

字符范围覆盖​

相关资源​

摘要

本备忘录状态

版权声明

目录

UTF-8 为什么重要?

核心优势

UTF-8 编码规则速查

编码表

字符范围覆盖

相关资源