Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TELECOMUNICACIONES III
INVESTIGACION Nº1
CODIFICACIONES UTF-8
NOMBRE:
Jhonnathan Vidaurre Garcia
DOCENTE:
Ing. Pedro Lima Camacho
CARRERA:
Ing. Electrónica
Cochabamba Bolivia
CODIFICACION UTF-8
DESCRIPCIÓN
UTF-8 divide los caracteres Unicode en varios grupos, en función del número de bytes
necesarios para codificarlos. 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:
Una propiedad importante de la codificación es que los bits más significativos del primer
byte de una secuencia multibyte determinan la longitud de la secuencia. Estos bits más
significativos 110 para secuencias de dos bytes; 1110 para secuencias de tres bytes, etc.
Estos bits además proporcionan la información de sincronía que permite identificar el
inicio de un símbolo.
CODIFICACION DE LOS CARACTERES
Los valores fijos al principio de cada byte garantizan el cumplimento del principio de no
superposición, pues son distintos en función de la posición del byte en la cadena. Se
incluye también la codificación UTF-16 para ver la diferencia con una codificación de
número fijo de bytes.
Rango de
puntos Valor escalar UTF-16 UTF-8 Notas
UNICODE
Rango
equivalente
a US-
ASCII.
000000- 00000000 Símbolos de
00000000 0xxxxxxx 0xxxxxxx un único
00007F 0xxxxxxx
byte donde
el bit más
significativo
es 0
Símbolos de
dos bytes.
El primer
byte
000080- 00000yyy comienza
00000yyy yyxxxxxx 110yyyyy 10xxxxxx con 110, el
0007FF yyxxxxxx
segundo
byte
comienza
con 10
Símbolos de
tres bytes.
El primer
byte
000800- zzzzyyyy comienza
zzzzyyyy yyxxxxxx 1110zzzz 10yyyyyy 10xxxxxx con 1110,
00FFFF yyxxxxxx
los bytes
siguientes
comienzan
con 10
Símbolos de
cuatro
bytes. El
000uuuuu 110110ww wwzzzzyy primer byte
010000- comienza
zzzzyyyy 110111yy yyxxxxxx 11110uuu 10uuzzzz 10yyyyyy 10xxxxxx con 11110,
10FFFF
yyxxxxxx (wwww = uuuuu - 1) los bytes
siguientes
comienzan
con 10
Siguiendo el esquema anterior, sería posible incrementar el tamaño máximo del símbolo
de 4 a 6 bytes. La definición de UTF-8 dada por Unicode no admite esta posibilidad que sí
es admitida por ISO/IEC.
Ejemplo: Codificación del carácter Unicode ñ.
Veamos, a modo de ejemplo, cómo se codifica en UTF-8 el carácter eñe ('ñ'), que se
representa en Unicode como 0x00F1:
Su valor se sitúa en el rango de 0x0080 a 0x07FF. Una consulta a la tabla permite ver
que debe ser codificado usando 2 bytes, con el formato 110xxxxx 10xxxxxx.
El valor hexadecimal 0x00F1 es equivalente al binario (0000-0)000-1111-0001 (los
primeros 5 bits se ignoran, ya que no son necesarios para representar valores en el
rango especificado).
Los 11 bits requeridos se sitúan ordenados en la posición marcada por las
equis: 11000011 10110001.
El resultado final son dos bytes con los valores hexadecimales 0xC3 0xB1. Ese es el
código de la letra eñe en UTF-8.
Para recuperar el punto de código original se realiza el proceso inverso, descomponiendo
las secuencias de bits en sus componentes y tomando solo los bits necesarios.
VENTAJAS
DESVENTAJAS
UTF-8 utiliza símbolos de longitud variable; eso significa que diferentes caracteres
pueden codificarse con distinto número de bytes. Es necesario recorrer la cadena
desde el inicio para encontrar el carácter que ocupa una determinada posición.
Los caracteres ideográficos usan 3 bytes en UTF-8, pero sólo 2 en UTF-16. Así, los
textos chinos, japoneses o coreanos ocupan más espacio cuando se representan en
UTF-8.
UTF-8 ofrece peor rendimiento que UTF-16 y UTF-32 en cuanto a coste de
computación, por ejemplo, en operaciones de ordenación.