UTF-8 - ASCII 兼容的多字节 Unicode 编码

描述

The Unicode 字符集使用的是 16 位（双字节）码。最普遍的 Unicode 编码方法（ UCS-2) 由一个 16 位双字序列组成。这样的字符串中包括了的一些如‘\0’或‘/’这样的在文件名中或者是在 C 库函数中具有特殊意义的字符。另外，如果没有做重大的修正的话，大部分操作 ASCII 码文件的 UNIX 工具不能够正确识别 16 位的字符。因此， UCS-2 对于 Unicode 的文件名、文本文件、环境变量等等来说并不是一种合适的外部编码方式。 ISO 10646 Universal Character Set (UCS), 是 Unicode 的超集，甚至使用了 31 位编码方式，另外还有使用 32 编码的 UCS-4 也有同样上述的问题。 UCS-4 而用 UTF-8 对 Unicode UCS 编码就不会存在这样的问题。所以，UTF-8 很明显的是在 UNIX 类操作系统下的 Unicode 字符集的解决方案。

属性

UTF-8 编码具有以下优良属性：

*: UCS 字符从 0x00000000 到 0x0000007f （传统的 US-ASCII 字符）简单地编码为字节 0x00 到 0x7f （与 ASCII 码兼容）。这意味着只包含 7 位 ASCII 字符的文件和字符串在 ASCII 和 UTF-8. 编码方式下是完全一样的。
*: 所有大于 0x7f 的 UCS 字符被编码成为多字节序列。该序列全部是由 0x80 到 0fd 的字符组成，这样就不会有标准 ASCII 字符会被作为某个字的一个部分这种现象出现，对于‘\0’和‘’这样的特殊字符来说也就不会有问题了。
*: 保留了 UCS-4 字典中的字节串的排列顺序。
*: 所有 2^32 次方的 UCS 码都能够使用 UTF-8 来进行编码。
*: 0xfe 和 0xff 两个字符在 UTF-8 中不会被用到。
*: 表示非 ASCII 码的 UCS 多字节串的开始字符总是 0xc0 到 0xfd 之间的字符，并会指出该串的长度。多字节串的其他字符都是 0x80 到 0xbf 之间的字符。这使得再同步非常简单，并令编码是无态的，丢字节现象也不容易发生。
*: 用 UTF-8 编码的 UCS 字符可以增加到 6 个字节的长度。而 Unicode 只能增加到 3 个字节长。由于 Linux 只使用 16 位的 Unicode ， UCS 的子集。所以在 Linux 下， UTF-8 多字节串长度最多不会超过三个字节。

编码方式

下面的字节串用来表示一个字符。用什么串依照该字符在 UCS 编码中的序号来定：

0x00000000 - 0x0000007F:: 0xxxxxxx
0x00000080 - 0x000007FF:: 110xxxxx 10xxxxxx
0x00000800 - 0x0000FFFF:: 1110xxxx 10xxxxxx 10xxxxxx
0x00010000 - 0x001FFFFF:: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
0x00200000 - 0x03FFFFFF:: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0x04000000 - 0x7FFFFFFF:: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

这里 xxx 的位置二进制位形式的字符编码填入。只用最短的那个足够表达一个字符编码数的多字节串。

举例说明

: 11000010 10101001 = 0xc2 0xa9

字符0x2260 = 0010 0010 0110 0000 (“不等于”符号)被编码为：

: 11100010 10001001 10100000 = 0xe2 0x89 0xa0