3.6 UTF-8によるシリアル化

UTF-8は一般的なUnicodeのシリアル化スキームであり、各Unicodeコードポイントを1バイトから4バイトの長さの符号なしバイト列としてエンコードします。

UTF-8には、「基本ラテン」ブロックのUnicodeコードポイントが、対応するUS-ASCII値にそのままマッピングされるという有用な特性があります。

例1： 日本語の「日本語」は、コードポイント列 <U+65E5, U+672C, U+8A9E> に対応します。これはUTF-8文字列では <E6 97 A5 E6 9C AC E8 AA 9E> とシリアル化されます。

例2： 英語の「bye」は、コードポイント列 <U+0062, U+0079, U+0065> に対応します。これはUTF-8文字列では <62 79 65> とシリアル化されます。

UTF-8の詳細については、Unicode標準の「3.10」を参照してください。