UTF-8 standard, české a esperantské znaky

UTF-8 je zkratka pro UCS Transformation Format. UTF-8 je definováno v ISO 10646-1:2000 Annex D, v RFC 3629 a v Unicode 4.1.

Přirozené kódování znaků Unicode/UCS do 2 nebo 4 byte se nazývá UCS-2 a UCS-4. Pokud se nespecifikuje jinak, ukládá se nejprve nejvýznamnější byte. S takto uloženými řetězci je spojeno několik problémů:

Uložení textu je několikanásobně náročnější na paměť.
Některé byte v řetězci mohou obsahovat binární nuly, které mají zvláštní význam v některých programovacích jazycích.
Některé byte mohou obsahovat znaky, které májí zvláštní význam pro operační systém (např. "/", "\").

Z těchto důvodů není formát UCS-2 a UCS-4 vhodný pro ukládání řetězců do souborů.

Tyto problémy řeší kódování UTF-8, které má následující vlastnosti:

UCS znaky U+0000 až U+007F jsou kódovány jednoduše jako byte 0x00 až 0x7F. To znamená, že řetězce obsahující pouze ASCII znaky mají shodné kódování v UTF-8 a ASCII.
Všechny znaky větší než U+007F jsou kódovány jako sekvence několika byte, z nichž každý má nastaven nejvyšší bit. To znamená, že byte nemohou být zaměněny s žádným ASCII znakem.
První byte sekvence, která reprezentuje ne-ASCII znak, je vždy v rozsahu 0xC0 až 0xFD a určuje, kolik byte následuje. Všechny následující znaky sekvence jsou v rozsahu 0x80 až 0xBF. To umožňuje snadnou synchronizaci a odolnost proti ztrátě některých byte.
Může být kódován celý rozsah UCS 2³¹.
Zakódované znaky mohou být až 6 byte dlouhé, ale základní 16-ti bitové znaky BMP jsou jen 1 až 3 byte dlouhé.
Pořadí Bigendian (nejvýznamnější byte ukládán jako první) je zachováno.
Byte s hodnotou 0xFE a 0xFF nejsou nikdy použity.

Tabulka českých znaků Unicode

znak	HTML	dec	hex	UTF-8	znak	HTML	dec	hex	UTF-8
Á	Á	&#193	Á	%C3%81	á	á	á	á	%C3%A1
Č	&Ccaron;	Č	Č	%C4%8C	č	&ccaron;	č	č	%C4%8D
Ď	&Dcaron;	Ď	Ď	%C4%8E	ď	&dcaron;	ď	ď	%C4%8F
É	É	É	É	%C3%89	é	é	é	é	%C3%A9
Ě	&Ecaron;	Ě	Ě	%C4%9A	ě	&ecaron;	ě	ě	%C4%9B
Í	Í	Í	Í	%C3%8D	í	í	í	í	%C3%AD
Ň	&Ncaron;	Ň	Ň	%C5%87	ň	&ncaron;	ň	ň	%C5%88
Ó	Ó	Ó	Ó	%C3%93	ó	ó	ó	ó	%C3%B3
Ř	&Rcaron;	Ř	Ř	%C5%98	ř	&rcaron;	ř	ř	%C5%99
Š	&Scaron;	Š	Š	%C5%A0	š	&scaron;	š	š	%C5%A1
Ť	&Tcaron;	Ť	Ť	%C5%A4	ť	&tcaron;	ť	ť	%C5%A5
Ú	Ú	Ú	Ú	%C3%9A	ú	ú	ú	ú	%C3%BA
Ů	&Uring;	Ů	Ů	%C5%AE	ů	&uring;	ů	ů	%C5%AF
Ý	Ý	Ý	Ý	%C3%9D	ý	ý	ý	ý	%C3%BD
Ž	&Zcaron;	Ž	Ž	%C5%BD	ž	&zcaron;	ž	ž	%C5%BE

Esperantské znaky v UTF-8 kódování:

znak	HTML	DEC	HEX	UTF-8
ĉ		ĉ	ĉ	%c4%89
ŝ		ŝ	ŝ	%c5%9d
ĵ		ĵ	ĵ	%c4%b5
ĥ		ĥ	ĥ	%c4%a5
ĝ		ĝ	ĝ	%c4%9d
ŭ		ŭ	ŭ	%c5%ad
Ĉ		Ŭ	Ĉ	%c4%88
Ŝ		Ŝ	Ŝ	%c5%9c
Ĵ		Ĵ	Ĵ	%c4%b4
Ĥ		Ĥ	Ĥ	%c4%a4
Ĝ		Ĝ	Ĝ	%c4%9c
Ŭ		Ŭ	Ŭ	%c5%ac

Pro psaní esperantských znaků doporučuji používat výhradně kódování UTF-8, nyní UTF-8 standard unicode 4.1, RFC 3629
Pokud je někdo nucen psát stránky například v kódové stránce windows-1250, pak pro správné zobrazování esperantských znaků stačí psát do zdrojového kódu např.: ĉio - zobrazí se - ĉio atd. Podle mne je to lepší než již překonané spřezky cx, sx atd.

ĉ zobrazí ĉ = cx
Ĉ zobrazí Ĉ = CX
ŝ zobrazí ŝ = sx
Ŝ zobrazí Ŝ = SX
ĵ zobrazí ĵ = jx
Ĵ zobrazí Ĵ = JX
ĥ zobrazí ĥ = hx
Ĥ zobrazí Ĥ = HX
ĝ zobrazí ĝ = gx
Ĝ zobrazí Ĝ = GX
ŭ zobrazí ŭ = ux
Ŭ zobrazí Ŭ = UX