man7/utf-8.7

   1 .\" Copyright (C) Markus Kuhn, 1996, 2001
   2 .\"
   3 .\" SPDX-License-Identifier: GPL-2.0-or-later
   4 .\"
   5 .\" 1995-11-26  Markus Kuhn <mskuhn@cip.informatik.uni-erlangen.de>
   6 .\"      First version written
   7 .\" 2001-05-11  Markus Kuhn <mgk25@cl.cam.ac.uk>
   8 .\"      Update
   9 .\"
  10 .TH UTF-8 7 (date) "Linux man-pages (unreleased)"
  11 .SH NAME
  12 UTF-8 \- an ASCII compatible multibyte Unicode encoding
  13 .SH DESCRIPTION
  14 The Unicode 3.0 character set occupies a 16-bit code space.
  15 The most obvious
  16 Unicode encoding (known as UCS-2)
  17 consists of a sequence of 16-bit words.
  18 Such strings can contain\[em]as part of many 16-bit characters\[em]bytes
  19 such as \[aq]\e0\[aq] or \[aq]/\[aq], which have a
  20 special meaning in filenames and other C library function arguments.
  21 In addition, the majority of UNIX tools expect ASCII files and can't
  22 read 16-bit words as characters without major modifications.
  23 For these reasons,
  24 UCS-2 is not a suitable external encoding of Unicode
  25 in filenames, text files, environment variables, and so on.
  26 The ISO/IEC 10646 Universal Character Set (UCS),
  27 a superset of Unicode, occupies an even larger code
  28 space\[em]31\ bits\[em]and the obvious
  29 UCS-4 encoding for it (a sequence of 32-bit words) has the same problems.
  30 .PP
  31 The UTF-8 encoding of Unicode and UCS
  32 does not have these problems and is the common way in which
  33 Unicode is used on UNIX-style operating systems.
  34 .SS Properties
  35 The UTF-8 encoding has the following nice properties:
  36 .TP 0.2i
  37 *
  38 UCS
  39 characters 0x00000000 to 0x0000007f (the classic US-ASCII
  40 characters) are encoded simply as bytes 0x00 to 0x7f (ASCII
  41 compatibility).
  42 This means that files and strings which contain only
  43 7-bit ASCII characters have the same encoding under both
  44 ASCII
  45 and
  46 UTF-8 .
  47 .TP
  48 *
  49 All UCS characters greater than 0x7f are encoded as a multibyte sequence
  50 consisting only of bytes in the range 0x80 to 0xfd, so no ASCII
  51 byte can appear as part of another character and there are no
  52 problems with, for example,  \[aq]\e0\[aq] or \[aq]/\[aq].
  53 .TP
  54 *
  55 The lexicographic sorting order of UCS-4 strings is preserved.
  56 .TP
  57 *
  58 All possible 2\[ha]31 UCS codes can be encoded using UTF-8.
  59 .TP
  60 *
  61 The bytes 0xc0, 0xc1, 0xfe, and 0xff are never used in the UTF-8 encoding.
  62 .TP
  63 *
  64 The first byte of a multibyte sequence which represents a single non-ASCII
  65 UCS character is always in the range 0xc2 to 0xfd and indicates how long
  66 this multibyte sequence is.
  67 All further bytes in a multibyte sequence
  68 are in the range 0x80 to 0xbf.
  69 This allows easy resynchronization and
  70 makes the encoding stateless and robust against missing bytes.
  71 .TP
  72 *
  73 UTF-8 encoded UCS characters may be up to six bytes long, however the
  74 Unicode standard specifies no characters above 0x10ffff, so Unicode characters
  75 can be only up to four bytes long in
  76 UTF-8.
  77 .SS Encoding
  78 The following byte sequences are used to represent a character.
  79 The sequence to be used depends on the UCS code number of the character:
  80 .TP 0.4i
  81 0x00000000 \- 0x0000007F:
  82 .RI 0 xxxxxxx
  83 .TP
  84 0x00000080 \- 0x000007FF:
  85 .RI 110 xxxxx
  86 .RI 10 xxxxxx
  87 .TP
  88 0x00000800 \- 0x0000FFFF:
  89 .RI 1110 xxxx
  90 .RI 10 xxxxxx
  91 .RI 10 xxxxxx
  92 .TP
  93 0x00010000 \- 0x001FFFFF:
  94 .RI 11110 xxx
  95 .RI 10 xxxxxx
  96 .RI 10 xxxxxx
  97 .RI 10 xxxxxx
  98 .TP
  99 0x00200000 \- 0x03FFFFFF:
 100 .RI 111110 xx
 101 .RI 10 xxxxxx
 102 .RI 10 xxxxxx
 103 .RI 10 xxxxxx
 104 .RI 10 xxxxxx
 105 .TP
 106 0x04000000 \- 0x7FFFFFFF:
 107 .RI 1111110 x
 108 .RI 10 xxxxxx
 109 .RI 10 xxxxxx
 110 .RI 10 xxxxxx
 111 .RI 10 xxxxxx
 112 .RI 10 xxxxxx
 113 .PP
 114 The
 115 .I xxx
 116 bit positions are filled with the bits of the character code number in
 117 binary representation, most significant bit first (big-endian).
 118 Only the shortest possible multibyte sequence
 119 which can represent the code number of the character can be used.
 120 .PP
 121 The UCS code values 0xd800\[en]0xdfff (UTF-16 surrogates) as well as 0xfffe and
 122 0xffff (UCS noncharacters) should not appear in conforming UTF-8 streams.
 123 According to RFC 3629 no point above U+10FFFF should be used,
 124 which limits characters to four bytes.
 125 .SS Example
 126 The Unicode character 0xa9 = 1010 1001 (the copyright sign) is encoded
 127 in UTF-8 as
 128 .PP
 129 .RS
 130 11000010 10101001 = 0xc2 0xa9
 131 .RE
 132 .PP
 133 and character 0x2260 = 0010 0010 0110 0000 (the "not equal" symbol) is
 134 encoded as:
 135 .PP
 136 .RS
 137 11100010 10001001 10100000 = 0xe2 0x89 0xa0
 138 .RE
 139 .SS Application notes
 140 Users have to select a UTF-8 locale, for example with
 141 .PP
 142 .RS
 143 export LANG=en_GB.UTF-8
 144 .RE
 145 .PP
 146 in order to activate the UTF-8 support in applications.
 147 .PP
 148 Application software that has to be aware of the used character
 149 encoding should always set the locale with for example
 150 .PP
 151 .RS
 152 setlocale(LC_CTYPE, "")
 153 .RE
 154 .PP
 155 and programmers can then test the expression
 156 .PP
 157 .RS
 158 strcmp(nl_langinfo(CODESET), "UTF-8") == 0
 159 .RE
 160 .PP
 161 to determine whether a UTF-8 locale has been selected and whether
 162 therefore all plaintext standard input and output, terminal
 163 communication, plaintext file content, filenames, and environment
 164 variables are encoded in UTF-8.
 165 .PP
 166 Programmers accustomed to single-byte encodings such as US-ASCII or ISO 8859
 167 have to be aware that two assumptions made so far are no longer valid
 168 in UTF-8 locales.
 169 Firstly, a single byte does not necessarily correspond any
 170 more to a single character.
 171 Secondly, since modern terminal emulators in UTF-8
 172 mode also support Chinese, Japanese, and Korean
 173 double-width characters as well as nonspacing combining characters,
 174 outputting a single character does not necessarily advance the cursor
 175 by one position as it did in ASCII.
 176 Library functions such as
 177 .BR mbsrtowcs (3)
 178 and
 179 .BR wcswidth (3)
 180 should be used today to count characters and cursor positions.
 181 .PP
 182 The official ESC sequence to switch from an ISO 2022
 183 encoding scheme (as used for instance by VT100 terminals) to
 184 UTF-8 is ESC % G
 185 ("\ex1b%G").
 186 The corresponding return sequence from
 187 UTF-8 to ISO 2022 is ESC % @ ("\ex1b%@").
 188 Other ISO 2022 sequences (such as
 189 for switching the G0 and G1 sets) are not applicable in UTF-8 mode.
 190 .SS Security
 191 The Unicode and UCS standards require that producers of UTF-8
 192 shall use the shortest form possible, for example, producing a two-byte
 193 sequence with first byte 0xc0 is nonconforming.
 194 Unicode 3.1 has added the requirement that conforming programs must not accept
 195 non-shortest forms in their input.
 196 This is for security reasons: if
 197 user input is checked for possible security violations, a program
 198 might check only for the ASCII
 199 version of "/../" or ";" or NUL and overlook that there are many
 200 non-ASCII ways to represent these things in a non-shortest UTF-8
 201 encoding.
 202 .SS Standards
 203 ISO/IEC 10646-1:2000, Unicode 3.1, RFC\ 3629, Plan 9.
 204 .\" .SH AUTHOR
 205 .\" Markus Kuhn <mgk25@cl.cam.ac.uk>
 206 .SH SEE ALSO
 207 .BR locale (1),
 208 .BR nl_langinfo (3),
 209 .BR setlocale (3),
 210 .BR charsets (7),
 211 .BR unicode (7)