UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字符編碼，又稱萬國碼，由Ken Thompson於1992年創建。現在已經標準化爲RFC 3629。UTF-8用1到6個字節編碼Unicode字符。用在網頁上可以統一頁面顯示中文簡體繁體及其它語言（如英文，日文，韓文）。
發展歷程
編輯在所有字符集中，最知名的可能要數被稱爲ASCII的7位字符集了。它是美國標準信息交換代碼（American Standard Code for Information Interchange）的縮寫, 爲美國英語通信所設計。它由128個字符組成，包括大小寫字母、數字0-9、標點符號、非打印字符（換行符、製表符等4個）以及控制字符（退格、響鈴等）組成。
但是，由於他是針對英語設計的，當處理帶有音調標號（形如漢語的拼音）的亞洲文字時就會出現問題。因此，創建出了一些包括255個字符的由ASCII擴展的字符集。其中有一種通常被稱爲IBM字符集，它把值爲128-255之間的字符用於畫圖和畫線，以及一些特殊的歐洲字符。另一種8位字符集是ISO 8859-1Latin 1，也簡稱爲ISOLatin-1。它把位於128-255之間的字符用於拉丁字母表中特殊語言字符的編碼，也因此而得名。歐洲語言不是地球上的唯一語言，因此亞洲和非洲語言並不能被8位字符集所支持。僅漢語字母表（或pictograms）就有80000以上個字符。但是把漢語、日語和越南語的一些相似的字符結合起來，在不同的語言裏，使不同的字符代表不同的字，這樣只用2個字節就可以編碼地球上幾乎所有地區的文字。因此，創建了UNICODE編碼。它通過增加一個高字節對ISO Latin-1字符集進行擴展，當這些高字節位爲0時，低字節就是ISO Latin-1字符。UNICODE支持歐洲、非洲、中東、亞洲（包括統一標準的東亞象形漢字和韓國表音文字）。但是，UNICODE並沒有提供對諸如Braille,Cherokee, Ethiopic, Khmer, Mongolian, Hmong, Tai Lu, Tai Mau文字的支持。同時它也不支持如Ahom, Akkadian, Aramaic, Babylonian Cuneiform, Balti, Brahmi, Etruscan, Hittite, Javanese, Numidian, Old Persian Cuneiform, Syrian之類的古老文字。
事實證明，對可以用ASCII表示的字符使用UNICODE並不高效，因爲UNICODE比ASCII佔用大一倍的空間，而對ASCII來說高字節的0對他毫無用處。爲了解決這個問題，就出現了一些中間格式的字符集，他們被稱爲通用轉換格式，即UTF（Unicode Transformation Format）。常見的UTF格式有：UTF-7, UTF-7.5, UTF-8,UTF-16, 以及 UTF-32。
UTF-8字符集
編輯如果UNICODE字符由2個字節表示，則編碼成UTF-8很可能需要3個字節。而如果UNICODE字符由4個字節表示，則編碼成UTF-8可能需要6個字節。用4個或6個字節去編碼一個UNICODE字符可能太多了，但很少會遇到那樣的UNICODE字符。
UTF-8編碼規則：如果只有一個字節則其最高二進制位爲0；如果是多字節，其第一個字節從最高位開始，連續的二進制位值爲1的個數決定了其編碼的字節數，其餘各字節均以10開頭。UTF-8轉換表表示如下：
Unicode/UCS-4 | bit數 | UTF-8 | byte數 | 備註 |
0000 ~ 007F | 0~7 | 0XXX XXXX | 1 | |
0080 ~ 07FF | 8~11 | 110X XXXX 10XX XXXX | 2 | |
0800 ~ FFFF | 12~16 | 1110XXXX 10XX XXXX 10XX XXXX | 3 | 基本定義範圍：0~FFFF |
1 0000 ~ 1F FFFF | 17~21 | 1111 0XXX 10XX XXXX 10XX XXXX 10XX XXXX | 4 | Unicode6.1定義範圍：0~10 FFFF |
20 0000 ~ 3FF FFFF | 22~26 | 1111 10XX 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX | 5 | 說明：此非unicode編碼範圍，屬於UCS-4 編碼 早期的規範UTF-8可以到達6字節序列，可以覆蓋到31位元（通用字符集原來的極限）。儘管如此，2003年11月UTF-8 被 RFC 3629 重新規範，只能使用原來Unicode定義的區域， U+0000到U+10FFFF。根據規範，這些字節值將無法出現在合法 UTF-8序列中 |
400 0000 ~ 7FFF FFFF | 27~31 | 1111 110X 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX | 6 |
實際表示ASCII字符的UNICODE字符，將會編碼成1個字節，並且UTF-8表示與ASCII字符表示是一樣的。所有其他的UNICODE字符轉化成UTF-8將需要至少2個字節。每個字節由一個換碼序列開始。第一個字節由唯一的換碼序列，由n位連續的1加一位0組成, 首字節連續的1的個數表示字符編碼所需的字節數。
Unicode轉換爲UTF-8時，可以將Unicode二進制從低位往高位取出二進制數字，每次取6位，如上述的二進制就可以分別取出爲如下示例所示的格式，前面按格式填補，不足8位用0填補。
注：Unicode轉換爲UTF-8需要的字節數可以根據這個規則計算：如果Unicode小於0X80（Ascii字符），則轉換後爲1個字節。否則轉換後的字節數爲Unicode二進制位數減1再除以5。
示例
UNICODE uCA(1100 1010) 編碼成UTF-8將需要2個字節：
uCA -> C3 8A， 過程如下：
uCA(1100 1010)處於0080 ~07FF之間，從上文中的轉換表可知對其編碼需要2bytes，即兩個字節，其對 應 UTF-8格式爲： 110X XXXX10XX XXXX。從此格式中可以看到，對其編碼還需要11位，而uCA(1100 1010)僅有8位，這時需要在其二進制數前補0湊成11位: 000 1100 1010, 依次填入110X XXXX 10XX XXXX的空位中， 即得 1100 0011 1000 1010（C38A）。
同理，UNICODE uF03F (1111 0000 0011 1111) 編碼成UTF-8將需要3個字節:
u F03F -> EF 80 BF，對應格式爲：1110XXXX10XX XXXX10XX XXXX，編碼還需要16位，將1111 0000 0011 1111(F03F)依次填入，可得 1110 1111 1000 0000 1011 1111（EF 80 BF）。
Unicode 16進制 | Unicode 2進制 | bit數 | UTF-8 2進制 | UTF-8 16進制 |
CA | 1100 1010 | 8 | 1100 00111000 1010 | C3 8A |
F0 3F | 11110000 0011 1111 | 16 | 111011111000 00001011 1111 | EF 80 BF |
UTF-8優缺點
編輯UTF-8優點
UTF-8編碼可以通過屏蔽位和移位操作快速讀寫。字符串比較時strcmp()和wcscmp()的返回結果相同，因此使排序變得更加容易。字節FF和FE在UTF-8編碼中永遠不會出現，因此他們可以用來表明UTF-16或UTF-32文本（見BOM） UTF-8 是字節順序無關的。它的字節順序在所有系統中都是一樣的，因此它實際上並不需要BOM。
UTF-8缺點
你無法從UNICODE字符數判斷出UTF-8文本的字節數，因爲UTF-8是一種變長編碼它需要用2個字節編碼那些用擴展ASCII字符集只需1個字節的字符 ISO Latin-1 是UNICODE的子集，但不是UTF-8的子集 8位字符的UTF-8編碼會被email網關過濾，因爲internet信息最初設計爲7位ASCII碼。因此產生了UTF-7編碼。 UTF-8 在它的表示中使用值100xxxxx的機率超過50%， 而現存的實現如ISO 2022， 4873， 6429， 和8859系統，會把它錯認爲是C1 控制碼。因此產生了UTF-7.5編碼。
UTF-8修正更新
編輯
修正的UTF-8中，null字符編碼成2個字節（1100000010000000）而不是標準的1個字節（00000000），這樣作可以保證編碼後的字符串中不會嵌入null字符。因此如果在類C語言中處理字符串，文本不會在第一個null字符時截斷（C字符串以'\0'結尾）。
在標準UTF-8編碼中，超出基本多語言範圍（BMP-Basic Multilingual Plane）的字符被編碼爲4字節格式，但是在修正的UTF-8編碼中，他們由代理編碼對（surrogatepairs）表示，然後這些代理編碼對在序列中分別重新編碼。結果標準UTF-8編碼中需要4個字節的字符，在修正後的UTF-8編碼中將需要6個字節。