RFC 2044 – UTF-8, a transformation format of Unicode and ISO 10646

Überholt: ersetzt durch RFC 2279.

RFC 2044 spezifiziert UTF-8, ein Transformationsformat zur Kodierung von Unicode und ISO/IEC 10646 (UCS). Es ermöglicht die Darstellung des gesamten Unicode-Zeichenvorrats als Bytefolge, wobei US-ASCII-Zeichen (Werte 0–127) unverändert als einzelnes Byte mit dem entsprechenden ASCII-Wert kodiert werden. Dies ist der zentrale Vorteil: Die volle Kompatibilität mit ASCII-basierten Systemen bleibt erhalten, da kein Byte mit einem ASCII-Wert jemals als Teil einer Mehroktettsequenz vorkommt.

Die Kodierung arbeitet mit variablen Sequenzen von einem bis sechs Oktetten. Das erste Byte einer Sequenz gibt durch die Anzahl führender Eins-Bits die Länge an, gefolgt von einer Null. Jedes Folgebyte beginnt mit '10', sodass die Synchronisation auch mitten im Datenstrom möglich ist. Die Nutzdatenbits werden von rechts nach links verteilt. Diese Struktur bewahrt die lexikografische Sortierung der Zeichenwerte und vermeidet die Oktettwerte FE und FF.

Historisch ist dieses RFC ein Meilenstein, da es UTF-8 als praktikable Lösung für die Kodierung von Unicode in Internetprotokollen und Dateisystemen etablierte. Es löste das Problem der Inkompatibilität von 16-Bit-Zeichensätzen mit ASCII-orientierter Infrastruktur und wurde zur dominanten Unicode-Transformation im Web. Die Spezifikation diente zudem als Grundlage für die MIME-Registrierung des Zeichensatzes 'UTF-8'.