Unicode érték UTF-8 bytesorozat
1. byte 2. byte ...
30 0 7 0 7 0 ...
| | | | | |
00000000 00000000 00000000 0xxxxxxx <-> 0xxxxxxx
00000000 00000000 00000xxx xxxxxxxx <-> 110xxxxx 10xxxxxx
00000000 00000000 xxxxxxxx xxxxxxxx <-> 1110xxxx 10xxxxxx 10xxxxxx
00000000 000xxxxx xxxxxxxx xxxxxxxx <-> 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
000000xx xxxxxxxx xxxxxxxx xxxxxxxx <-> 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0xxxxxxx xxxxxxxx xxxxxxxx xxxxxxxx <-> 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
Az x betűk által jelzett biteket azonos sorrendben kell átpakolni a
túloldalra. Minden Unicode karaktert a legkorábbi ráhúzható szabály szerint
kell UTF-8-ra átalakítani. Így például az ó betű (Unicode kódja decimális
243, hexadecimális 0x00F3, bináris 00000000 00000000 00000000 11110011) legkorábban a
második szabályra húzható rá, tehát UTF-8 kódja bináris 11000011 10110011, vagyis egy
decimális 195, azaz hexa 0xC3, majd ezt követően egy decimális 179, azaz
hexa 0xB3 byte.
Talán már nem okozok vele meglepetést, ez a html fájl, amit most olvasol, UTF-8 kódolást használ. A múltkori Hello példát folytatva most tehát, ha leírom az ékezetes Helló szót, akkor amikor a géped éppen itt tartott a letöltésben, akkor a 72, 101, 108, 108, 195, 179 bytesorozatot kapta meg ezen oldal részeként.