home *** CD-ROM | disk | FTP | other *** search
/ Unix System Administration Handbook 1997 October / usah_oct97.iso / rfc / 2000s / rfc2044.txt < prev    next >
Text File  |  1996-10-27  |  12KB  |  340 lines
  1.  
  2.  
  3.  
  4.  
  5.  
  6.  
  7. Network Working Group                                       F. Yergeau
  8. Request for Comments: 2044                           Alis Technologies
  9. Category: Informational                                   October 1996
  10.  
  11.  
  12.         UTF-8, a transformation format of Unicode and ISO 10646
  13.  
  14. Status of this Memo
  15.  
  16.    This memo provides information for the Internet community.  This memo
  17.    does not specify an Internet standard of any kind.  Distribution of
  18.    this memo is unlimited.
  19.  
  20. Abstract
  21.  
  22.    The Unicode Standard, version 1.1, and ISO/IEC 10646-1:1993 jointly
  23.    define a 16 bit character set which encompasses most of the world's
  24.    writing systems. 16-bit characters, however, are not compatible with
  25.    many current applications and protocols, and this has led to the
  26.    development of a few so-called UCS transformation formats (UTF), each
  27.    with different characteristics.  UTF-8, the object of this memo, has
  28.    the characteristic of preserving the full US-ASCII range: US-ASCII
  29.    characters are encoded in one octet having the usual US-ASCII value,
  30.    and any octet with such a value can only be an US-ASCII character.
  31.    This provides compatibility with file systems, parsers and other
  32.    software that rely on US-ASCII values but are transparent to other
  33.    values.
  34.  
  35. 1.  Introduction
  36.  
  37.    The Unicode Standard, version 1.1 [UNICODE], and ISO/IEC 10646-1:1993
  38.    [ISO-10646] jointly define a 16 bit character set, UCS-2, which
  39.    encompasses most of the world's writing systems.  ISO 10646 further
  40.    defines a 31-bit character set, UCS-4, with currently no assignments
  41.    outside of the region corresponding to UCS-2 (the Basic Multilingual
  42.    Plane, BMP).  The UCS-2 and UCS-4 encodings, however, are hard to use
  43.    in many current applications and protocols that assume 8 or even 7
  44.    bit characters.  Even newer systems able to deal with 16 bit
  45.    characters cannot process UCS-4 data. This situation has led to the
  46.    development of so-called UCS transformation formats (UTF), each with
  47.    different characteristics.
  48.  
  49.    UTF-1 has only historical interest, having been removed from ISO
  50.    10646.  UTF-7 has the quality of encoding the full Unicode repertoire
  51.    using only octets with the high-order bit clear (7 bit US-ASCII
  52.    values, [US-ASCII]), and is thus deemed a mail-safe encoding
  53.    ([RFC1642]).  UTF-8, the object of this memo, uses all bits of an
  54.    octet, but has the quality of preserving the full US-ASCII range:
  55.  
  56.  
  57.  
  58. Yergeau                      Informational                      [Page 1]
  59.  
  60. RFC 2044                         UTF-8                      October 1996
  61.  
  62.  
  63.    US-ASCII characters are encoded in one octet having the normal US-
  64.    ASCII value, and any octet with such a value can only stand for an
  65.    US-ASCII character, and nothing else.
  66.  
  67.    UTF-16 is a scheme for transforming a subset of the UCS-4 repertoire
  68.    into a pair of UCS-2 values from a reserved range.  UTF-16 impacts
  69.    UTF-8 in that UCS-2 values from the reserved range must be treated
  70.    specially in the UTF-8 transformation.
  71.  
  72.    UTF-8 encodes UCS-2 or UCS-4 characters as a varying number of
  73.    octets, where the number of octets, and the value of each, depend on
  74.    the integer value assigned to the character in ISO 10646.  This
  75.    transformation format has the following characteristics (all values
  76.    are in hexadecimal):
  77.  
  78.    -  Character values from 0000 0000 to 0000 007F (US-ASCII repertoire)
  79.       correspond to octets 00 to 7F (7 bit US-ASCII values).
  80.  
  81.    -  US-ASCII values do not appear otherwise in a UTF-8 encoded charac-
  82.       ter stream.  This provides compatibility with file systems or
  83.       other software (e.g. the printf() function in C libraries) that
  84.       parse based on US-ASCII values but are transparent to other val-
  85.       ues.
  86.  
  87.    -  Round-trip conversion is easy between UTF-8 and either of UCS-4,
  88.       UCS-2 or Unicode.
  89.  
  90.    -  The first octet of a multi-octet sequence indicates the number of
  91.       octets in the sequence.
  92.  
  93.    -  Character boundaries are easily found from anywhere in an octet
  94.       stream.
  95.  
  96.    -  The lexicographic sorting order of UCS-4 strings is preserved.  Of
  97.       course this is of limited interest since the sort order is not
  98.       culturally valid in either case.
  99.  
  100.    -  The octet values FE and FF never appear.
  101.  
  102.    UTF-8 was originally a project of the X/Open Joint
  103.    Internationalization Group XOJIG with the objective to specify a File
  104.    System Safe UCS Transformation Format [FSS-UTF] that is compatible
  105.    with UNIX systems, supporting multilingual text in a single encoding.
  106.    The original authors were Gary Miller, Greger Leijonhufvud and John
  107.    Entenmann.  Later, Ken Thompson and Rob Pike did significant work for
  108.    the formal UTF-8.
  109.  
  110.  
  111.  
  112.  
  113.  
  114. Yergeau                      Informational                      [Page 2]
  115.  
  116. RFC 2044                         UTF-8                      October 1996
  117.  
  118.  
  119.    A description can also be found in Unicode Technical Report #4 [UNI-
  120.    CODE].  The definitive reference, including provisions for UTF-16
  121.    data within UTF-8, is Annex R of ISO/IEC 10646-1 [ISO-10646].
  122.  
  123. 2.  UTF-8 definition
  124.  
  125.    In UTF-8, characters are encoded using sequences of 1 to 6 octets.
  126.    The only octet of a "sequence" of one has the higher-order bit set to
  127.    0, the remaining 7 bits being used to encode the character value. In
  128.    a sequence of n octets, n>1, the initial octet has the n higher-order
  129.    bits set to 1, followed by a bit set to 0.  The remaining bit(s) of
  130.    that octet contain bits from the value of the character to be
  131.    encoded.  The following octet(s) all have the higher-order bit set to
  132.    1 and the following bit set to 0, leaving 6 bits in each to contain
  133.    bits from the character to be encoded.
  134.  
  135.    The table below summarizes the format of these different octet types.
  136.    The letter x indicates bits available for encoding bits of the UCS-4
  137.    character value.
  138.  
  139.    UCS-4 range (hex.)           UTF-8 octet sequence (binary)
  140.    0000 0000-0000 007F   0xxxxxxx
  141.    0000 0080-0000 07FF   110xxxxx 10xxxxxx
  142.    0000 0800-0000 FFFF   1110xxxx 10xxxxxx 10xxxxxx
  143.  
  144.    0001 0000-001F FFFF   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
  145.    0020 0000-03FF FFFF   111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
  146.    0400 0000-7FFF FFFF   1111110x 10xxxxxx ... 10xxxxxx
  147.  
  148.    Encoding from UCS-4 to UTF-8 proceeds as follows:
  149.  
  150.    1) Determine the number of octets required from the character value
  151.       and the first column of the table above.
  152.  
  153.    2) Prepare the high-order bits of the octets as per the second column
  154.       of the table.
  155.  
  156.    3) Fill in the bits marked x from the bits of the character value,
  157.       starting from the lower-order bits of the character value and
  158.       putting them first in the last octet of the sequence, then the
  159.       next to last, etc. until all x bits are filled in.
  160.  
  161.  
  162.  
  163.  
  164.  
  165.  
  166.  
  167.  
  168.  
  169.  
  170. Yergeau                      Informational                      [Page 3]
  171.  
  172. RFC 2044                         UTF-8                      October 1996
  173.  
  174.  
  175.       The algorithm for encoding UCS-2 (or Unicode) to UTF-8 can be
  176.       obtained from the above, in principle, by simply extending each
  177.       UCS-2 character with two zero-valued octets.  However, UCS-2 val-
  178.       ues between D800 and DFFF, being actually UCS-4 characters trans-
  179.       formed through UTF-16, need special treatment: the UTF-16 trans-
  180.       formation must be undone, yielding a UCS-4 character that is then
  181.       transformed as above.
  182.  
  183.       Decoding from UTF-8 to UCS-4 proceeds as follows:
  184.  
  185.    1) Initialize the 4 octets of the UCS-4 character with all bits set
  186.       to 0.
  187.  
  188.    2) Determine which bits encode the character value from the number of
  189.       octets in the sequence and the second column of the table above
  190.       (the bits marked x).
  191.  
  192.    3) Distribute the bits from the sequence to the UCS-4 character,
  193.       first the lower-order bits from the last octet of the sequence and
  194.       proceeding to the left until no x bits are left.
  195.  
  196.       If the UTF-8 sequence is no more than three octets long, decoding
  197.       can proceed directly to UCS-2 (or equivalently Unicode).
  198.  
  199.       A more detailed algorithm and formulae can be found in [FSS_UTF],
  200.       [UNICODE] or Annex R to [ISO-10646].
  201.  
  202. 3.  Examples
  203.  
  204.    The Unicode sequence "A<NOT IDENTICAL TO><ALPHA>." (0041, 2262, 0391,
  205.    002E) may be encoded as follows:
  206.  
  207.       41 E2 89 A2 CE 91 2E
  208.  
  209.    The Unicode sequence "Hi Mom <WHITE SMILING FACE>!" (0048, 0069,
  210.    0020, 004D, 006F, 006D, 0020, 263A, 0021) may be encoded as follows:
  211.  
  212.       48 69 20 4D 6F 6D 20 E2 98 BA 21
  213.  
  214.    The Unicode sequence representing the Han characters for the Japanese
  215.    word "nihongo" (65E5, 672C, 8A9E) may be encoded as follows:
  216.  
  217.       E6 97 A5 E6 9C AC E8 AA 9E
  218.  
  219.  
  220.  
  221.  
  222.  
  223.  
  224.  
  225.  
  226. Yergeau                      Informational                      [Page 4]
  227.  
  228. RFC 2044                         UTF-8                      October 1996
  229.  
  230.  
  231. MIME registrations
  232.  
  233.    This memo is meant to serve as the basis for registration of a MIME
  234.    character encoding (charset) as per [RFC1521].  The proposed charset
  235.    parameter value is "UTF-8".  This string would label media types
  236.    containing text consisting of characters from the repertoire of ISO
  237.    10646-1 encoded to a sequence of octets using the encoding scheme
  238.    outlined above.
  239.  
  240. Security Considerations
  241.  
  242.    Security issues are not discussed in this memo.
  243.  
  244. Acknowledgments
  245.  
  246.    The following have participated in the drafting and discussion of
  247.    this memo:
  248.  
  249.       James E. Agenbroad   Andries Brouwer
  250.       Martin J. D|rst      David Goldsmith
  251.       Edwin F. Hart        Kent Karlsson
  252.       Markus Kuhn          Michael Kung
  253.       Alain LaBonte        Murray Sargent
  254.       Keld Simonsen        Arnold Winkler
  255.  
  256. Bibliography
  257.  
  258.    [FSS_UTF]      X/Open CAE Specification C501 ISBN 1-85912-082-2 28cm.
  259.                   22p. pbk. 172g.  4/95, X/Open Company Ltd., "File Sys-
  260.                   tem Safe UCS Transformation Format (FSS_UTF)", X/Open
  261.                   Preleminary Specification, Document Number P316.  Also
  262.                   published in Unicode Technical Report #4.
  263.  
  264.    [ISO-10646]    ISO/IEC 10646-1:1993. International Standard -- Infor-
  265.                   mation technology -- Universal Multiple-Octet Coded
  266.                   Character Set (UCS) -- Part 1: Architecture and Basic
  267.                   Multilingual Plane.  UTF-8 is described in Annex R,
  268.                   adopted but not yet published.  UTF-16 is described in
  269.                   Annex Q, adopted but not yet published.
  270.  
  271.    [RFC1521]      Borenstein, N., and N. Freed, "MIME (Multipurpose
  272.                   Internet Mail Extensions) Part One: Mechanisms for
  273.                   Specifying and Describing the Format of Internet Mes-
  274.                   sage Bodies", RFC 1521, Bellcore, Innosoft, September
  275.                   1993.
  276.  
  277.    [RFC1641]      Goldsmith, D., and M. Davis, "Using Unicode with
  278.                   MIME", RFC 1641, Taligent inc., July 1994.
  279.  
  280.  
  281.  
  282. Yergeau                      Informational                      [Page 5]
  283.  
  284. RFC 2044                         UTF-8                      October 1996
  285.  
  286.  
  287.    [RFC1642]      Goldsmith, D., and M. Davis, "UTF-7: A Mail-safe
  288.                   Transformation Format of Unicode", RFC 1642,
  289.                   Taligent, Inc., July 1994.
  290.  
  291.    [UNICODE]      The Unicode Consortium, "The Unicode Standard --
  292.                   Worldwide Character Encoding -- Version 1.0", Addison-
  293.                   Wesley, Volume 1, 1991, Volume 2, 1992.  UTF-8 is
  294.                   described in Unicode Technical Report #4.
  295.  
  296.    [US-ASCII]     Coded Character Set--7-bit American Standard Code for
  297.                   Information Interchange, ANSI X3.4-1986.
  298.  
  299. Author's Address
  300.  
  301.       Francois Yergeau
  302.       Alis Technologies
  303.       100, boul. Alexis-Nihon
  304.       Suite 600
  305.       Montreal  QC  H4M 2P2
  306.       Canada
  307.  
  308.       Tel: +1 (514) 747-2547
  309.       Fax: +1 (514) 747-2561
  310.       EMail: fyergeau@alis.com
  311.  
  312.  
  313.  
  314.  
  315.  
  316.  
  317.  
  318.  
  319.  
  320.  
  321.  
  322.  
  323.  
  324.  
  325.  
  326.  
  327.  
  328.  
  329.  
  330.  
  331.  
  332.  
  333.  
  334.  
  335.  
  336.  
  337.  
  338. Yergeau                      Informational                      [Page 6]
  339.  
  340.