Man page 7 : utf-8

Le codage UTF-8 a les propriétés suivantes :

• *
  Les caractères UCS 0x00000000 à 0x0000007f (le jeu US-ASCII classique) sont codés simplement par les octets 0x00 à 0x7f (compatibilité ASCII). Cela signifie que les fichiers et les chaînes qui contiennent uniquement des caractères du jeu ASCII 7 bits ont exactement le même codage en ASCII et en UTF-8.
• *
      Tous les caractères UCS supérieurs à 0x7F sont codés en séquences consistant uniquement en octets dans l'intervalle 0x80 a 0xfd, ainsi aucun octet ASCII n'apparaît en tant que partie d'un autre caractère, et il n'y a donc pas de problème avec « \0 » ou « / »).
• *
      L'ordre de tri lexicographique des chaînes UCS-4 est préservé.
• *
      Tous les 2^31 caractères de l'UCS peuvent être encodés en utilisant UTF-8.
• *
      Les octets 0xc0, 0xc1, 0xfe et 0xff ne sont jamais utilisés dans le codage UTF-8.
• *
      Le premier octet d'une séquence multioctet représentant un caractère UCS non ASCII est toujours dans l'intervalle 0xc2 à 0xfd et indique la longueur de la séquence multioctet. Tous les octets suivants de cette séquence sont dans l'intervalle 0x80 à 0xbf. Cela permet une resynchronisation aisée et rend le codage robuste face aux octets manquants.
• *
      Les caractères UCS codés en UTF-8 peuvent avoir jusqu'à 6 octets. Néanmoins la norme Unicode ne précise aucun caractère au-delà de 0x10ffff, ainsi les caractères Unicode ne peuvent avoir que 4 octets en UTF-8.

Les séquences d'octets suivantes sont utilisées pour représenter un caractère. Les séquences utilisées dépendent du numéro de code UCS du caractère :

• 0x00000000 - 0x0000007F :
  xxxxxxx
• 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

Les positions de bits xxx sont remplies avec les bits du numéro de code du caractère en représentation binaire. Seule la plus petite séquence multioctet permettant de représenter un numéro de code doit être utilisée.

Les codes UCS de valeur 0xd800(en0xdfff (remplacements en UTF-16) ainsi que 0xfffe et 0xffff (non caractères UCS) ne doivent pas apparaître dans un flux de données UTF-8.

Le caractère Unicode 0xA9 = 1010 1001 (le symbole copyright) est codé en UTF-8 de la manière suivante :

11000010 10101001 = 0xc2 0xa9

et le caractère 0x2260 = 0010 0010 0110 0000 (le symbole « différent de ») est codé ainsi :

11100010 10001001 10100000 = 0xe2 0x89 0xa0

Les utilisateurs doivent sélectionner une locale UTF-8, par exemple en faisant

export LANG=fr_FR.UTF-8

afin d'activer la gestion de l'UTF-8 dans les applications.

Les applications qui doivent connaître le codage de caractères utilisé doivent toujours définir la locale, en faisant par exemple

setlocale(LC_CTYPE, "")

et les programmeurs peuvent tester l'expression

strcmp(nl_langinfo(CODESET), "UTF-8") == 0

pour savoir si une locale UTF-8 a été sélectionnée, et si les entrée-sortie texte, les communications avec les terminaux, le contenu des fichiers textes, les noms de fichiers et les variables d'environnement sont codés en UTF-8.

Les programmeurs habitués aux jeux de caractères mono-octet comme US-ASCII ou ISO 8859 doivent savoir que deux hypothèses valables jusque là ne le sont plus dans les locales UTF-8. D'abord, un octet seul ne correspond pas nécessairement à un unique caractère. Ensuite, comme les émulateurs de terminaux modernes en mode UTF-8 gèrent également les caractères double largeur du chinois, du japonais ou du coréen et les caractères combinés sans espacement, la sortie d'un unique caractère ne fait pas avancer obligatoirement le curseur d'une position comme c'était le cas en ASCII. Les fonctions de bibliothèque comme mbsrtowcs(3) et wcswidth(3) doivent être désormais utilisées pour compter les caractères et les positions de curseur.

La séquence ESC officielle pour basculer d'un codage ISO 2022 (comme utilisé par exemple par les terminaux VT100) en UTF-8 est ESC % G (« \x1b%G »). La séquence de retour depuis UTF-8 est ISO 2022 est ESC % @ (« \x1b%@ »). D'autres séquences ISO 2022 (comme celle pour basculer entre les jeux G0 et G1) ne sont pas applicables en mode UTF-8.

On peut espérer que dans un futur proche, UTF-8 remplacera ASCII et ISO 8859 à tous les niveaux comme codage des caractères sur les systèmes POSIX, ce qui conduira à un environnement sensiblement plus riche pour traiter des textes.

Les normes Unicode et UCS demandent que le fabricant utilisant UTF-8 utilise la forme la plus courte possible, par exemple, produire une séquence de deux octets avec un premier octet 0xc0 n'est pas conforme. Unicode 3.1 a ajouté la nécessité pour les programmes conformes de ne pas accepter les formes non minimales en entrée. Il s'agit de raisons de sécurité : si une saisie est examinée pour des problèmes de sécurité, un programme doit rechercher seulement la version ASCII de « /../ » ou « ; » ou NUL. Il y a de nombreuses manières non ASCII de représenter ces choses dans un codage UTF-8 non minimal.

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