UTF-8000がUTF-8の限界を突破、任意長の符号単位を実現
UTF-8000: Unlimited UTF-8
UTF-8を拡張し、任意の大きさのcodepointを符号化できる「UTF-8000」が提案された。ASCIIとUTF-8を完全に包含しつつ、複数のstart byteをcontinuation byteに分散させることで、理論上無制限の長さのcode unitを実現。self-synchronizationやself-punctuationといったUTF-8の利点をすべて継承し、overlong encodingも防止する。参照実装はpipxでインストール可能。Unicode Consortiumとは無関係の独立したfun projectだ。
UTF-8000の仕様の主な貢献は、UTF-8のcode unitの最初のバイトの最上位ビットをself-synchronizationビットとstartビットに分割し、必要に応じてstartビットをcontinuation byteにストライプ配置して、任意の大きさのcode unitを実現する方法を明確にしたことにある。