「UTF-8」の版間の差分

[[ASCII]]文字と互換性を持たせるために、ASCIIと同じ部分は1バイト、その他の部分を2〜-6バイトで符号化する。4バイトのシーケンスでは21bit(0x1FFFFF)まで表現することができるが、Unicodeの範囲外となる17面以降を表すもの(U+10FFFFより大きなもの)は受け付けない。また5〜-6バイトの表現は、ISO/IEC 10646による定義<ref>[http://std.dkuug.dk/jtc1/sc2/wg2/ ISO/IEC 10646:2003] Information technology -- Universal Multiple-Octet Coded Character Set (UCS)</ref>と[[Internet Engineering Task Force|IETF]]によるかつての定義<ref>RFC 2279 UTF-8, a transformation format of ISO 10646</ref>で、Unicodeの範囲外を符号化するためにのみ使用するが、Unicodeによる定義<ref>[http://www.unicode.org/versions/Unicode5.2.0/ The Unicode Standard, Version 5.2]</ref>とIETFによる最新の定義<ref>RFC 3629 UTF-8, a transformation format of ISO 10646</ref>では、5〜-6バイトの表現は不正なシーケンスである。

[[UTF-16]]の[[Unicode#サロゲートペア|代用対]]（サロゲートペア）で表される[[基本多言語面|BMP]]外の文字をUTF-8に変換するときは、まず4バイトのサロゲートペア（代用対）（上位代用符号単位 0xD800〜-0xDBFF, 下位代用符号単位 0xDC00〜-0xDFFF）をU+10000からU+10FFFFまでの符号位置にデコードしてからUTF-8に符号化しなければならない。サロゲートペア（代用対）に使われるU+D800からU+DFFFまでの符号位置を、UTF-8でそのまま符号化することは禁止されており、不正なシーケンスとみなされる。

これは、[[Oracle Database]]のバージョン8以前において、UTF-8文字は3バイトまでしか扱えなかったために便宜的に定義されている。4バイトのサロゲートペア（代用対）は使用せず、代わりに6バイトのサロゲートペア（代用対）（上位代用符号単位がED A0 80〜 - ED AF BF、下位代用符号単位が ED B0 80〜 - ED BF BF）で表現される<ref>現在のOracle Databaseでは、CESU-8を「UTF8」として、「普通のUTF-8」を「AL32UTF8」として扱っているため注意を要する。</ref>。