Drop experimental stuff.
[gnutls.git] / doc / protocol / rfc2279.txt
blob3a3495cbe4ec22173507feb81c10f7ccf2717baf
7 Network Working Group                                       F. Yergeau
8 Request for Comments: 2279                           Alis Technologies
9 Obsoletes: 2044                                           January 1998
10 Category: Standards Track
13               UTF-8, a transformation format of ISO 10646
15 Status of this Memo
17    This document specifies an Internet standards track protocol for the
18    Internet community, and requests discussion and suggestions for
19    improvements.  Please refer to the current edition of the "Internet
20    Official Protocol Standards" (STD 1) for the standardization state
21    and status of this protocol.  Distribution of this memo is unlimited.
23 Copyright Notice
25    Copyright (C) The Internet Society (1998).  All Rights Reserved.
27 Abstract
29    ISO/IEC 10646-1 defines a multi-octet character set called the
30    Universal Character Set (UCS) which encompasses most of the world's
31    writing systems. Multi-octet characters, however, are not compatible
32    with many current applications and protocols, and this has led to the
33    development of a few so-called UCS transformation formats (UTF), each
34    with different characteristics.  UTF-8, the object of this memo, has
35    the characteristic of preserving the full US-ASCII range, providing
36    compatibility with file systems, parsers and other software that rely
37    on US-ASCII values but are transparent to other values. This memo
38    updates and replaces RFC 2044, in particular addressing the question
39    of versions of the relevant standards.
41 1.  Introduction
43    ISO/IEC 10646-1 [ISO-10646] defines a multi-octet character set
44    called the Universal Character Set (UCS), which encompasses most of
45    the world's writing systems.  Two multi-octet encodings are defined,
46    a four-octet per character encoding called UCS-4 and a two-octet per
47    character encoding called UCS-2, able to address only the first 64K
48    characters of the UCS (the Basic Multilingual Plane, BMP), outside of
49    which there are currently no assignments.
51    It is noteworthy that the same set of characters is defined by the
52    Unicode standard [UNICODE], which further defines additional
53    character properties and other application details of great interest
54    to implementors, but does not have the UCS-4 encoding.  Up to the
58 Yergeau                     Standards Track                     [Page 1]
60 RFC 2279                         UTF-8                      January 1998
63    present time, changes in Unicode and amendments to ISO/IEC 10646 have
64    tracked each other, so that the character repertoires and code point
65    assignments have remained in sync.  The relevant standardization
66    committees have committed to maintain this very useful synchronism.
68    The UCS-2 and UCS-4 encodings, however, are hard to use in many
69    current applications and protocols that assume 8 or even 7 bit
70    characters.  Even newer systems able to deal with 16 bit characters
71    cannot process UCS-4 data. This situation has led to the development
72    of so-called UCS transformation formats (UTF), each with different
73    characteristics.
75    UTF-1 has only historical interest, having been removed from ISO/IEC
76    10646.  UTF-7 has the quality of encoding the full BMP repertoire
77    using only octets with the high-order bit clear (7 bit US-ASCII
78    values, [US-ASCII]), and is thus deemed a mail-safe encoding
79    ([RFC2152]).  UTF-8, the object of this memo, uses all bits of an
80    octet, but has the quality of preserving the full US-ASCII range:
81    US-ASCII characters are encoded in one octet having the normal US-
82    ASCII value, and any octet with such a value can only stand for an
83    US-ASCII character, and nothing else.
85    UTF-16 is a scheme for transforming a subset of the UCS-4 repertoire
86    into pairs of UCS-2 values from a reserved range.  UTF-16 impacts
87    UTF-8 in that UCS-2 values from the reserved range must be treated
88    specially in the UTF-8 transformation.
90    UTF-8 encodes UCS-2 or UCS-4 characters as a varying number of
91    octets, where the number of octets, and the value of each, depend on
92    the integer value assigned to the character in ISO/IEC 10646.  This
93    transformation format has the following characteristics (all values
94    are in hexadecimal):
96    -  Character values from 0000 0000 to 0000 007F (US-ASCII repertoire)
97       correspond to octets 00 to 7F (7 bit US-ASCII values). A direct
98       consequence is that a plain ASCII string is also a valid UTF-8
99       string.
101    -  US-ASCII values do not appear otherwise in a UTF-8 encoded
102       character stream.  This provides compatibility with file systems
103       or other software (e.g. the printf() function in C libraries) that
104       parse based on US-ASCII values but are transparent to other
105       values.
107    -  Round-trip conversion is easy between UTF-8 and either of UCS-4,
108       UCS-2.
114 Yergeau                     Standards Track                     [Page 2]
116 RFC 2279                         UTF-8                      January 1998
119    -  The first octet of a multi-octet sequence indicates the number of
120       octets in the sequence.
122    -  The octet values FE and FF never appear.
124    -  Character boundaries are easily found from anywhere in an octet
125       stream.
127    -  The lexicographic sorting order of UCS-4 strings is preserved.  Of
128       course this is of limited interest since the sort order is not
129       culturally valid in either case.
131    -  The Boyer-Moore fast search algorithm can be used with UTF-8 data.
133    -  UTF-8 strings can be fairly reliably recognized as such by a
134       simple algorithm, i.e. the probability that a string of characters
135       in any other encoding appears as valid UTF-8 is low, diminishing
136       with increasing string length.
138    UTF-8 was originally a project of the X/Open Joint
139    Internationalization Group XOJIG with the objective to specify a File
140    System Safe UCS Transformation Format [FSS-UTF] that is compatible
141    with UNIX systems, supporting multilingual text in a single encoding.
142    The original authors were Gary Miller, Greger Leijonhufvud and John
143    Entenmann.  Later, Ken Thompson and Rob Pike did significant work for
144    the formal UTF-8.
146    A description can also be found in Unicode Technical Report #4 and in
147    the Unicode Standard, version 2.0 [UNICODE].  The definitive
148    reference, including provisions for UTF-16 data within UTF-8, is
149    Annex R of ISO/IEC 10646-1 [ISO-10646].
151 2.  UTF-8 definition
153    In UTF-8, characters are encoded using sequences of 1 to 6 octets.
154    The only octet of a "sequence" of one has the higher-order bit set to
155    0, the remaining 7 bits being used to encode the character value. In
156    a sequence of n octets, n>1, the initial octet has the n higher-order
157    bits set to 1, followed by a bit set to 0.  The remaining bit(s) of
158    that octet contain bits from the value of the character to be
159    encoded.  The following octet(s) all have the higher-order bit set to
160    1 and the following bit set to 0, leaving 6 bits in each to contain
161    bits from the character to be encoded.
163    The table below summarizes the format of these different octet types.
164    The letter x indicates bits available for encoding bits of the UCS-4
165    character value.
170 Yergeau                     Standards Track                     [Page 3]
172 RFC 2279                         UTF-8                      January 1998
175    UCS-4 range (hex.)           UTF-8 octet sequence (binary)
176    0000 0000-0000 007F   0xxxxxxx
177    0000 0080-0000 07FF   110xxxxx 10xxxxxx
178    0000 0800-0000 FFFF   1110xxxx 10xxxxxx 10xxxxxx
180    0001 0000-001F FFFF   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
181    0020 0000-03FF FFFF   111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
182    0400 0000-7FFF FFFF   1111110x 10xxxxxx ... 10xxxxxx
184    Encoding from UCS-4 to UTF-8 proceeds as follows:
186    1) Determine the number of octets required from the character value
187       and the first column of the table above.  It is important to note
188       that the rows of the table are mutually exclusive, i.e. there is
189       only one valid way to encode a given UCS-4 character.
191    2) Prepare the high-order bits of the octets as per the second column
192       of the table.
194    3) Fill in the bits marked x from the bits of the character value,
195       starting from the lower-order bits of the character value and
196       putting them first in the last octet of the sequence, then the
197       next to last, etc. until all x bits are filled in.
199       The algorithm for encoding UCS-2 (or Unicode) to UTF-8 can be
200       obtained from the above, in principle, by simply extending each
201       UCS-2 character with two zero-valued octets.  However, pairs of
202       UCS-2 values between D800 and DFFF (surrogate pairs in Unicode
203       parlance), being actually UCS-4 characters transformed through
204       UTF-16, need special treatment: the UTF-16 transformation must be
205       undone, yielding a UCS-4 character that is then transformed as
206       above.
208       Decoding from UTF-8 to UCS-4 proceeds as follows:
210    1) Initialize the 4 octets of the UCS-4 character with all bits set
211       to 0.
213    2) Determine which bits encode the character value from the number of
214       octets in the sequence and the second column of the table above
215       (the bits marked x).
217    3) Distribute the bits from the sequence to the UCS-4 character,
218       first the lower-order bits from the last octet of the sequence and
219       proceeding to the left until no x bits are left.
221       If the UTF-8 sequence is no more than three octets long, decoding
222       can proceed directly to UCS-2.
226 Yergeau                     Standards Track                     [Page 4]
228 RFC 2279                         UTF-8                      January 1998
231         NOTE -- actual implementations of the decoding algorithm above
232         should protect against decoding invalid sequences.  For
233         instance, a naive implementation may (wrongly) decode the
234         invalid UTF-8 sequence C0 80 into the character U+0000, which
235         may have security consequences and/or cause other problems.  See
236         the Security Considerations section below.
238    A more detailed algorithm and formulae can be found in [FSS_UTF],
239    [UNICODE] or Annex R to [ISO-10646].
241 3.  Versions of the standards
243    ISO/IEC 10646 is updated from time to time by published amendments;
244    similarly, different versions of the Unicode standard exist: 1.0, 1.1
245    and 2.0 as of this writing.  Each new version obsoletes and replaces
246    the previous one, but implementations, and more significantly data,
247    are not updated instantly.
249    In general, the changes amount to adding new characters, which does
250    not pose particular problems with old data.  Amendment 5 to ISO/IEC
251    10646, however, has moved and expanded the Korean Hangul block,
252    thereby making any previous data containing Hangul characters invalid
253    under the new version.  Unicode 2.0 has the same difference from
254    Unicode 1.1. The official justification for allowing such an
255    incompatible change was that no implementations and no data
256    containing Hangul existed, a statement that is likely to be true but
257    remains unprovable.  The incident has been dubbed the "Korean mess",
258    and the relevant committees have pledged to never, ever again make
259    such an incompatible change.
261    New versions, and in particular any incompatible changes, have q
262    conseuences regarding MIME character encoding labels, to be discussed
263    in section 5.
265 4.  Examples
267    The UCS-2 sequence "A<NOT IDENTICAL TO><ALPHA>." (0041, 2262, 0391,
268    002E) may be encoded in UTF-8 as follows:
270    41 E2 89 A2 CE 91 2E
272    The UCS-2 sequence representing the Hangul characters for the Korean
273    word "hangugo" (D55C, AD6D, C5B4) may be encoded as follows:
275    ED 95 9C EA B5 AD EC 96 B4
282 Yergeau                     Standards Track                     [Page 5]
284 RFC 2279                         UTF-8                      January 1998
287    The UCS-2 sequence representing the Han characters for the Japanese
288    word "nihongo" (65E5, 672C, 8A9E) may be encoded as follows:
290    E6 97 A5 E6 9C AC E8 AA 9E
292 5.  MIME registration
294    This memo is meant to serve as the basis for registration of a MIME
295    character set parameter (charset) [CHARSET-REG].  The proposed
296    charset parameter value is "UTF-8".  This string labels media types
297    containing text consisting of characters from the repertoire of
298    ISO/IEC 10646 including all amendments at least up to amendment 5
299    (Korean block), encoded to a sequence of octets using the encoding
300    scheme outlined above.  UTF-8 is suitable for use in MIME content
301    types under the "text" top-level type.
303    It is noteworthy that the label "UTF-8" does not contain a version
304    identification, referring generically to ISO/IEC 10646.  This is
305    intentional, the rationale being as follows:
307    A MIME charset label is designed to give just the information needed
308    to interpret a sequence of bytes received on the wire into a sequence
309    of characters, nothing more (see RFC 2045, section 2.2, in [MIME]).
310    As long as a character set standard does not change incompatibly,
311    version numbers serve no purpose, because one gains nothing by
312    learning from the tag that newly assigned characters may be received
313    that one doesn't know about.  The tag itself doesn't teach anything
314    about the new characters, which are going to be received anyway.
316    Hence, as long as the standards evolve compatibly, the apparent
317    advantage of having labels that identify the versions is only that,
318    apparent.  But there is a disadvantage to such version-dependent
319    labels: when an older application receives data accompanied by a
320    newer, unknown label, it may fail to recognize the label and be
321    completely unable to deal with the data, whereas a generic, known
322    label would have triggered mostly correct processing of the data,
323    which may well not contain any new characters.
325    Now the "Korean mess" (ISO/IEC 10646 amendment 5) is an incompatible
326    change, in principle contradicting the appropriateness of a version
327    independent MIME charset label as described above.  But the
328    compatibility problem can only appear with data containing Korean
329    Hangul characters encoded according to Unicode 1.1 (or equivalently
330    ISO/IEC 10646 before amendment 5), and there is arguably no such data
331    to worry about, this being the very reason the incompatible change
332    was deemed acceptable.
338 Yergeau                     Standards Track                     [Page 6]
340 RFC 2279                         UTF-8                      January 1998
343    In practice, then, a version-independent label is warranted, provided
344    the label is understood to refer to all versions after Amendment 5,
345    and provided no incompatible change actually occurs.  Should
346    incompatible changes occur in a later version of ISO/IEC 10646, the
347    MIME charset label defined here will stay aligned with the previous
348    version until and unless the IETF specifically decides otherwise.
350    It is also proposed to register the charset parameter value
351    "UNICODE-1-1-UTF-8", for the exclusive purpose of labelling text data
352    containing Hangul syllables encoded to UTF-8 without taking into
353    account Amendment 5 of ISO/IEC 10646 (i.e. using the pre-amendment 5
354    code point assignments).  Any other UTF-8 data SHOULD NOT use this
355    label, in particular data not containing any Hangul syllables, and it
356    is felt important to strongly recommend against creating any new
357    Hangul-containing data without taking Amendment 5 of ISO/IEC 10646
358    into account.
360 6.  Security Considerations
362    Implementors of UTF-8 need to consider the security aspects of how
363    they handle illegal UTF-8 sequences.  It is conceivable that in some
364    circumstances an attacker would be able to exploit an incautious
365    UTF-8 parser by sending it an octet sequence that is not permitted by
366    the UTF-8 syntax.
368    A particularly subtle form of this attack could be carried out
369    against a parser which performs security-critical validity checks
370    against the UTF-8 encoded form of its input, but interprets certain
371    illegal octet sequences as characters.  For example, a parser might
372    prohibit the NUL character when encoded as the single-octet sequence
373    00, but allow the illegal two-octet sequence C0 80 and interpret it
374    as a NUL character.  Another example might be a parser which
375    prohibits the octet sequence 2F 2E 2E 2F ("/../"), yet permits the
376    illegal octet sequence 2F C0 AE 2E 2F.
378 Acknowledgments
380    The following have participated in the drafting and discussion of
381    this memo:
383    James E. Agenbroad    Andries Brouwer
384    Martin J. D|rst       Ned Freed
385    David Goldsmith       Edwin F. Hart
386    Kent Karlsson         Markus Kuhn
387    Michael Kung          Alain LaBonte
388    John Gardiner Myers   Murray Sargent
389    Keld Simonsen         Arnold Winkler
394 Yergeau                     Standards Track                     [Page 7]
396 RFC 2279                         UTF-8                      January 1998
399 Bibliography
401    [CHARSET-REG]  Freed, N., and J. Postel, "IANA Charset Registration
402                   Procedures", BCP 19, RFC 2278, January 1998.
404    [FSS_UTF]      X/Open CAE Specification C501 ISBN 1-85912-082-2 28cm.
405                   22p. pbk. 172g.  4/95, X/Open Company Ltd., "File
406                   System Safe UCS Transformation Format (FSS_UTF)",
407                   X/Open Preleminary Specification, Document Number
408                   P316.  Also published in Unicode Technical Report #4.
410    [ISO-10646]    ISO/IEC 10646-1:1993. International Standard --
411                   Information technology -- Universal Multiple-Octet
412                   Coded Character Set (UCS) -- Part 1: Architecture and
413                   Basic Multilingual Plane.  Five amendments and a
414                   technical corrigendum have been published up to now.
415                   UTF-8 is described in Annex R, published as Amendment
416                   2.  UTF-16 is described in Annex Q, published as
417                   Amendment 1. 17 other amendments are currently at
418                   various stages of standardization.
420    [MIME]         Freed, N., and N. Borenstein, "Multipurpose Internet
421                   Mail Extensions (MIME) Part One:  Format of Internet
422                   Message Bodies", RFC 2045.  N. Freed, N. Borenstein,
423                   "Multipurpose Internet Mail Extensions (MIME) Part
424                   Two:  Media Types", RFC 2046.  K. Moore, "MIME
425                   (Multipurpose Internet Mail Extensions) Part Three:
426                   Message Header Extensions for Non-ASCII Text", RFC
427                   2047.  N.  Freed, J. Klensin, J. Postel, "Multipurpose
428                   Internet Mail Extensions (MIME) Part Four:
429                   Registration Procedures", RFC 2048.  N. Freed, N.
430                   Borenstein, " Multipurpose Internet Mail Extensions
431                   (MIME) Part Five: Conformance Criteria and Examples",
432                   RFC 2049.  All November 1996.
434    [RFC2152]      Goldsmith, D., and M. Davis, "UTF-7: A Mail-safe
435                   Transformation Format of Unicode", RFC 1642, Taligent
436                   inc., May 1997. (Obsoletes RFC1642)
438    [UNICODE]      The Unicode Consortium, "The Unicode Standard --
439                   Version 2.0", Addison-Wesley, 1996.
441    [US-ASCII]     Coded Character Set--7-bit American Standard Code for
442                   Information Interchange, ANSI X3.4-1986.
450 Yergeau                     Standards Track                     [Page 8]
452 RFC 2279                         UTF-8                      January 1998
455 Author's Address
457    Francois Yergeau
458    Alis Technologies
459    100, boul. Alexis-Nihon
460    Suite 600
461    Montreal  QC  H4M 2P2
462    Canada
464    Phone: +1 (514) 747-2547
465    Fax:   +1 (514) 747-2561
466    EMail: fyergeau@alis.com
506 Yergeau                     Standards Track                     [Page 9]
508 RFC 2279                         UTF-8                      January 1998
511 Full Copyright Statement
513    Copyright (C) The Internet Society (1998).  All Rights Reserved.
515    This document and translations of it may be copied and furnished to
516    others, and derivative works that comment on or otherwise explain it
517    or assist in its implementation may be prepared, copied, published
518    and distributed, in whole or in part, without restriction of any
519    kind, provided that the above copyright notice and this paragraph are
520    included on all such copies and derivative works.  However, this
521    document itself may not be modified in any way, such as by removing
522    the copyright notice or references to the Internet Society or other
523    Internet organizations, except as needed for the purpose of
524    developing Internet standards in which case the procedures for
525    copyrights defined in the Internet Standards process must be
526    followed, or as required to translate it into languages other than
527    English.
529    The limited permissions granted above are perpetual and will not be
530    revoked by the Internet Society or its successors or assigns.
532    This document and the information contained herein is provided on an
533    "AS IS" basis and THE INTERNET SOCIETY AND THE INTERNET ENGINEERING
534    TASK FORCE DISCLAIMS ALL WARRANTIES, EXPRESS OR IMPLIED, INCLUDING
535    BUT NOT LIMITED TO ANY WARRANTY THAT THE USE OF THE INFORMATION
536    HEREIN WILL NOT INFRINGE ANY RIGHTS OR ANY IMPLIED WARRANTIES OF
537    MERCHANTABILITY OR FITNESS FOR A PARTICULAR PURPOSE.
562 Yergeau                     Standards Track                    [Page 10]