UTF-8

UTF-8 es la forma de codificación de longitud variable de Unicode que usa de 1 a 4 bytes por punto de código; es totalmente retrocompatible con ASCII y el estándar de facto de la web y de los sistemas modernos.

Propósito

Cubre todos los puntos de código Unicode manteniendo la compatibilidad ASCII (el inglés no se expande), y es independiente del orden de bytes y autosincronizante, ideal para el transporte en red.

Mecanismo

El rango del punto de código determina la longitud en bytes: U+0000-007F ocupa 1 byte; U+0080-07FF, 2; U+0800-FFFF, 3; U+10000-10FFFF, 4. El número de bits 1 a principios del primer byte indica la longitud de la secuencia.

Casos de uso

Codificación por defecto de documentos HTML/XML/JSON
Transporte de cuerpos HTTP y correo
Codificación de archivos de código fuente
Conjunto de caracteres por defecto de bases de datos

Ejemplos

entrada
```
A
```
Output
```
0x41
```
An ASCII character, 1 byte
entrada
```
U+4E2D
```
Output
```
0xE4 0xB8 0xAD
```
A BMP CJK ideograph, 3 bytes

Errores comunes

Truncating a UTF-8 string mid-sequence, producing invalid bytes: Truncate at character boundaries or use encoding-aware APIs

Términos relacionados

Unicode es el estándar internacional de codificación de caracteres que asigna un punto de código único (U+0000 a U+10FFFF) a cada carácter de casi todos los sistemas de escritura del mundo, con un espacio de 1.114.112 puntos.

UTF-16 es la forma de codificación de longitud variable de Unicode que usa 2 o 4 bytes por punto de código: los caracteres del BMP ocupan una unidad de código de 16 bits y los del plano suplementario, un par sustituto (2 unidades).

ASCII (American Standard Code for Information Interchange) es un estándar de codificación de caracteres de 7 bits que define 128 caracteres (0-127), incluyendo letras, dígitos, signos y caracteres de control.

El BOM (marca de orden de bytes) es el carácter Unicode U+FEFF, colocado al inicio de un flujo de texto para indicar la forma de codificación y el orden de bytes.

Herramientas relacionadas

Convertidor Unicode

Convert text to Unicode code points, UTF-8 hex, or UTF-16 hex online. Gratis, privado y 100% del lado del cliente.

Referencia de juegos de caracteres

Reference table of character encodings. Gratis, privado, 100% del lado del cliente.

Detector de codificación

Comprueba la codificación del texto: subconjunto ASCII, BOM de UTF-8 y caracteres no ASCII. La entrada de texto siempre se recodifica como UTF-8, por lo que las codificaciones heredadas (GBK/Big5/Shift-JIS) no se pueden distinguir. Gratis, privado, 100% del lado del cliente.

References