UTF-16的八位元相容編碼方案
UTF-16的八位元相容編碼方案（英語：Compatibility Encoding Scheme for UTF-16: 8-Bit），簡稱 CESU-8 ，是統一碼技術報告 #26 中描述UTF-8的變體[1]。
CESU-8 的設計，是為了能在八位元的計算環境中，提供 UTF-16 的定序。因此，報告中也明確指出，只建議用在那些需要 UTF-16 定序，不預期且不建議用於外部數據交換。
CESU-8 有以下特點：
- 基本多語言平面中的字符編碼會與 UTF-8 相同，只有 增補字符會不同。
- 只有六個字節形式的增符字符是合規的，UTF-8 中的四字節形式是不合規的。
- 以 CESU-8 編碼後的字節串列以二進位方式定序，會與 UTF-16 編碼過的字節串列以二進位定序，其結果是一樣。
基本多語言平面中的字符碼位（即 U+0000 到 U+FFFF 範圍內的碼位），其編碼方式與 UTF-8 相同。 增補字符（即 U+10000 到 U+10FFFF 範圍內的碼位），則先以同UTF-16的方式轉為代理對，然後以 UTF-8 的方式將代理對中的每個代碼進行編碼。因此，對於每個統一碼增補字符，CESU-8 需要六個字節（每個代理項 3 個字節），而 UTF-8 只需要四個字節。雖然技術報告中沒有具體說明，但未配對的代理項也會編碼成為 3 個字節。非基本多文種平面的字符會被編碼成11101101 1010yyyy 10xxxxxx 11101101 1011xxxx 10xxxxxx （yyyy 表示字符的前五位減一）。字節值 0xF0 不會出現在 CESU-8 中，因為它開始了 UTF-8 使用的 4 字節編碼。
W3C [2] [3]和WHATWG [4] HTML標準禁止在HTML文檔中支援 CESU-8，因為這會導致跨網站腳本漏洞。 [5]
Java 的UTF-8修改版是 CESU-8，並將 NUL 字符 (U+0000) 的特殊超長編碼，作為兩字節序列C0 80 。 [6]
Oracle 數據庫使用 CESU-8 作為其「UTF8」字符集。若要使用標準 UTF-8 ，自 Oracle 9.0 版起，可以使用字符集「AL32UTF8」。
範例
| 碼位 | U+0045 | U+0205 | U+10400 | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 字符 | E | ȅ | 𐐀 | ||||||||||||
| UTF-8 | 45 | C8 | 85 | F0 | 90 | 90 | 80 | ||||||||
| UTF-16 | 0045 | 0205 | D801 | DC00 | |||||||||||
| CESU-8 | 45 | C8 | 85 | ED | A0 | 81 | ED | B0 | 80 | ||||||
參考
- ^ McGowan, Rick. Unicode Technical Report #26 - Compatibility Encoding Scheme for UTF-16: 8-Bit (CESU-8). Unicode Consortium. [2021-11-17]. （原始內容存檔於2021-12-08）.
- ^ 8.2.2.3. Character encodings. HTML 5.1 Standard. W3C. [2021-11-17]. （原始內容存檔於2021-07-18）.
- ^ 8.2.2.3. Character encodings. HTML 5 Standard. W3C. [2021-11-17]. （原始內容存檔於2019-07-03）.
- ^ 12.2.3.3 Character encodings. HTML Living Standard. WHATWG. [2021-11-17]. （原始內容存檔於2022-01-07）.
- ^ <meta> - HTML. MDN Web Docs. Mozilla. [2021-11-17]. （原始內容存檔於2022-01-14）.
- ^ Java SE documentation for Interface java.io.DataInput, subsection on Modified UTF-8. Oracle Corporation. 2015 [2021-04-30]. （原始內容存檔於2021-11-03）.
- ^ IANA 的 CESU-8 註冊記錄. [2021-11-17]. （原始內容存檔於2020-09-21）.