造冰箱的熊猫@cnblogs 2018/12/11

用了这么久的UTF-8，第一次了解了点UTF-8的细节

UTF-8[1]属于变长度编码。一个UTF-8字符的编码长度为1~4个字节。

1）长度为1个字节的UTF-8字符：取值为b0xxx'xxxx，等于相同取值的ASCII字符，共计128个。对应的编码点（code point）为U+0000~U+007F。

2）长度为2个字节的UTF-8字符：取值为b110x'xxxx，b10xx'xxxx。对应的编码点为U+0080~U+07FF，共计1920个。

3）长度为3个字节的UTF-8字符：取值为b1110'xxxx，b10xx'xxxx，b10xx'xxxx。对应的编码点为U+0800~U+FFFF。RFC3629[2]规定，U+D800~U+DFFF为无效编码点，因此共计61440个。

4）长度为4个字节的UTF-8字符：取值为b1111'0xxx，b10xx'xxxx，b10xx'xxxx，b10xx'xxxx。对应的编码点为U+10000~U+10FFFF，共计1’048‘576个。

合计UTF-8编码的字符为1’112‘064个。

ASCII（American Standard Code for Information Interchange）属于单字节编码，取值范围为0x00~0x7F/b0xxx'xxxx。取值范围为b1xxx'xxxx为扩展ASCII。

参考

[1] 维基百科：UTF-8

[2] RFC3629：UTF-8, a transformation format of ISO 10646