UTF-8

UTF-8 es una codificación de caracteres de longitud variable, lo que implica que utiliza de 1 a 4 bytes para codificar cada símbolo. Por tanto, el primer byte UTF-8 se utiliza para codificar ASCII. UTF-8 significa que los caracteres ASCII y Latín se pueden intercambiar con un pequeño incremento en el tamaño de los datos, ya que únicamente se utiliza el primer byte.

UTF-8 fue ideado por Kenneth L. Thompson bajo los criterios de diseño de Robert C. Pike el 2 de septiembre de 1992.

UTF-8 divide los caracteres Unicode en varios grupos, un Unicode utiliza 17 "planos" de 65,536 puntos de código para describir un máximo de 1,114,112 caracteres. El número de bytes depende exclusivamente del código de carácter asignado por Unicode y del número de bytes necesario para representarlo. La distribución de caracteres es la siguiente:

-1 byte:  128 caracteres (US-ASCII)

-2 bytes:  1920 caracteres. Signos diacríticos y diversos alfabetos.

-3 bytes: Incluye la práctica totalidad de caracteres de uso común.

-4 bytes: Símbolos matemáticos y alfabetos clásicos.