UTF-8

Før UTF-8 blev almindelig, måtte dokumenter på forskellige sprog gemmes med forskellig kodning. Et dokument kunne for eksempel ikke indeholde både bogstavet æ og euro-symbolet €, fordi forskellige tegnsæt understøttede forskellige tegn, hvilket gjorde det vanskeligt at kombinere dem i ét dokument.

I Danmark – og mange andre lande – var kodninger som ISO-8859-1 (Latin-1) meget brugte. ISO-8859-1 er en single-byte-kodning: den anvender én byte pr. tegn og kan derfor vise 256 tegn. Det dækkede de vigtigste vesteuropæiske sprog, inklusive de danske bogstaver æ, ø, å. Alligevel var ISO-8859-1 begrænset til netop disse 256 tegn.

Windows-1252 var en almindelig udvidelse af ISO-8859-1, især på Windows-platforme, og tilføjede ekstra tegn som euro-symbolet og flere typografiske symboler.

Mens ISO-8859-1 kun kunne vise 256 tegn, kan UTF-8 håndtere de mere end 150 000 tegn i Unicode. Dermed kan man problemfrit blande tekst på mange sprog og med mange symboler i samme dokument.

UTF-8 er en binær repræsentationsform af tegn i Unicode-tegnsættet med variabel tegngrænse. Unicode er en nummereret samling af tegn, og UTF-8 repræsenterer disse numre med mellem én og fire byte:

• De første 128 tegn svarer til ASCII, så UTF-8 er bagudkompatibel med ASCII.
• Alfabetiske tegn a-z og tal bruger én byte, mens tegn som æ, ø, å bruger to byte.
• Et tegn kan optage op til fire byte.

Når man gemmer tekst i UTF-8, bliver filer lidt større end i ISO-8859-1 – et dansk dokument vokser typisk 1-3 procent. Dokumenter med ren ASCII-tekst har dog samme filstørrelse i begge kodninger. Denne lille ulempe opvejes rigeligt af fordelen ved at kunne gemme flersprogede tekster i ét dokument.

• Unicode
• ASCII