UTF-8の意味

UTF-8は、Unicodeで定義された文字をバイト列へ符号化する可変長の文字エンコーディングです。RFC 3629では、ASCII文字を1バイトで表し、それ以外の文字を2〜4バイトで表す形式と、UTF-8として許されるバイト範囲を定義しています。ASCIIとの互換性や自己同期性があり、Web文書、JSON、HTML、ソースコード、ログ、データベースで標準的に使われます。UTF-8は文字そのものの集合であるUnicodeと同じ意味ではなく、UTF-16やUTF-32のような別の符号化方式があります。BOMの有無、正規化、異常なバイト列、サロゲート、改行、外部システムの既定文字コードを確認し、入出力で明示します。文字数とバイト数は一致しないため、長さ制限や分割、データベースの列型にも注意します。文字化け調査では、保存・転送・表示の各段階のエンコーディングを確認します。読み方は「ユーティーエフエイト」です。

UTF-8が使われる背景には、Unicodeの文字を異なるWeb・OS・API・ファイル環境で交換するため、共通のバイト表現が必要です。RFC 3629が定める可変長とASCII互換性を前提に扱います。

UTF-8はUnicode文字を符号化する方式なので、Unicodeそのものや文字の見た目とは区別して扱います。