UTF-7 vs UTF-8: diferencias en codificación Unicode para email y web

UTF-7 y UTF-8 son tipos de Formato de Transformación Unicode, estándar para codificar caracteres Unicode de 16 bits (letras internacionales, símbolos especiales) en formato transmisible por sistemas de 7 u 8 bits. UTF-8 es el formato de codificación más usado, popular en páginas web y muchos programas de email. UTF-7 da codificación para algunos protocolos de email que no funcionan con UTF-8.

Unicode

Unicode es estándar internacional para representar caracteres como enteros. Usa 16 bits por carácter frente a 7 bits de ASCII (Código Estándar Americano para Intercambio de Información). ASCII reproduce solo 128 caracteres frente a 65.000 únicos en Unicode. Este rango más amplio hace a Unicode apropiado para idiomas del Este Asiático y otros con grandes conjuntos de caracteres, pero los caracteres Unicode deben codificarse para transmitirse por canales de 7 u 8 bits.

UTF-8

Es el Formato de Transformación Universal más común para convertir caracteres Unicode en segmentos de 8 bits para transmisión web vía email u otros canales de 8 bits. Convierte cada carácter Unicode en 1 a 4 octetos según su valor entero, y es muy eficiente para documentos que usan principalmente letras del conjunto ASCII. UTF-8 tiende a ocupar más espacio que codificación de byte único para alfabetos no occidentales.

UTF-7

Variante especial del Formato de Transformación Universal propuesta a mediados de los 90. Diseñada para representar texto Unicode con una cadena de caracteres ASCII, produciendo codificación más eficiente para email que UTF-8 más la codificación quoted-printable necesaria para transmitir por ruta de datos de 7 bits. UTF-7 reduce significativamente el tamaño de caracteres codificados.

Consideraciones

Aunque UTF-7 es más eficiente que UTF-8 + quoted-printable en canales de 7 bits, la mayoría de autoridades (Internet Mail Consortium, Microsoft Developer Network) recomiendan usar UTF-8 siempre que sea posible. Esto es porque UTF-7 crea problemas de seguridad y robustez no presentes en su pariente de 8 bits. El IMC también recomienda que todos los programas de visualización de correo creados después del 1 de enero de 1999 sean capaces de mostrar correo en UTF-8.