UTF-16

UTF-16 ist eine Kodierung für Unicode-Zeichen, bei der jedes Zeichen der "Basic multilingual plane" (BMP) direkt auf seinen in 16-Bit-Zeichencode abgebildet wird.

Unicode-Zeichen, deren Kode sich nicht mit 16 Bit darstellen lässt, belegen zwei 16-Bit-Wörter, welche sich aus so genannten "Ersatz"-Zeichen (engl: "surrogate character") wie folgt zusammensetzen:

Bit
31            24|23           16|15            8|7             0|
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|0 0 0 0 0 0 0 0|0 0 0 0 x x x x|x x x x x x y y|y y y y y y y y|
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

High-Surrogate (U+D800 ... U+DBFF)

|15            8|7             0|
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|1 1 0 1 1 0 x x|x x x x x x x x|
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

Low-Surrogate (U+DC00 ... U+DFFF)

|15            8|7             0|
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|1 1 0 1 1 1 y y|y y y y y y y y|
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

Die beiden Ersatzzeichen werden in der Reihenfolge "High Surrogate" "Low Surrogate" gesendet. Es lassen sich somit Unicode-Zeichen bis zu U+0FFFFF kodieren.

In Abhängigkeit von der Rechnerarchitektur werden die beiden Bytes, aus denen ein 16-bit-Wort besteht, in unterschiedlicher Reihenfolge angeordnet. Um dies zu erkennen, wird empfohlen, das Unicode-Zeichen U+FEFF an den Anfang des Datenstroms zu setzen. Wird dieses als U+FFFE - welches ein ungültiges Unicode-Zeichen ist - empfangen, bedeutet dies, dass die Bytereihenfolge zwischen Sender und Empfänger unterschiedlich ist, und somit die Bytes jedes 16-Bit-Wortes vertauscht werden müssen.