UTF-8 vs UTF-16：エンコーディングサイズの比較

UTF-8 vs UTF-16：どちらが小さいか？

答えはコンテンツに完全に依存します。UTF-8とUTF-16は異なるUnicode範囲に対して異なるバイト幅を使用するため、最も効率的なエンコーディングはテキストの言語と構成によって異なります。

文字範囲ごとのバイト幅

Unicode範囲	文字	UTF-8	UTF-16
U+0000–U+007F	ASCII	1バイト	2バイト
U+0080–U+07FF	ラテン拡張、ギリシャ語など	2バイト	2バイト
U+0800–U+FFFF	CJK、デーヴァナーガリーなど	3バイト	2バイト
U+10000–U+10FFFF	絵文字、珍しいCJKなど	4バイト	4バイト

UTF-8が勝つ場合

UTF-8はテキストが主にASCIIまたはラテン拡張の場合によりコンパクトです：

"Hello World" (11文字)
  UTF-8:  11バイト
  UTF-16: 22バイト  (2倍！)

UTF-16が勝つ場合

UTF-16はテキストが主にCJKの場合によりコンパクトです：

"東京都渋谷区" (5文字)
  UTF-8:  15バイト
  UTF-16: 10バイト  (33%小さい！)

実際の例

コンテンツタイプ	典型的なUTF-8 / UTF-16比率
英語の文章	0.5× (UTF-8が半分のサイズ)
JSON APIレスポンス	0.6× (主にASCIIのキーと値)
日本語のブログ記事	1.2× (UTF-8がやや大きい)
中国語のドキュメント	1.4× (UTF-8が40%大きい)
絵文字多めのチャット	1.0× (ほぼ同等)

UTF-8がWebを支配する理由

一部のコンテンツでUTF-16が小さいにもかかわらず、UTF-8が支配する理由：

1. ASCII互換性：HTMLタグ、JSON構文、URLのオーバーヘッドなし
2. バイトオーダーなし：UTF-16はBOMが必要、UTF-8は不要
3. 自己同期：任意のバイト位置から文字境界を見つけられる
4. 普遍的な標準：HTML5、JSON、HTTPすべてがUTF-8を指定