字节值以多字节UTF-8字符表示

Question

我正在阅读UTF-8 character encoding但正在努力理解它。我知道ASCII字符（即字节值0x00到0x7F）在UTF-8中表示为单个字节。我想回答的问题是，在多字节UTF-8字符的情况下，第二个和后续字节总是0x80到0xFF，或者它们可以是任何值吗

Answer 1

当给定的Unicode代码点值为U + 0000 - U + 007F时，它适合UTF-8中的单个字节。字节的高位设置为0，其余7位保存码点值的位。

当给定的Unicode代码点值为U + 0080或更高时，它需要2-4个字节的UTF-8，具体取决于代码点值（U + 0080为2 - U + 07FF，U + 0800-U为3） + FFFF，4表示U + 10000 - U + 1FFFFF）。第一个字节的高位设置为110，1110或11110，以指示完整序列中的字节数（分别为2-4个）。后续字节的高位设置为10。所有字节的其余位包含代码点值的位，根据需要通过字节扩展。

 Bits of       First       Last      Bytes in
code point  code point  code point   sequence   Byte 1    Byte 2    Byte 3    Byte 4
    7         U+0000      U+007F        1      0xxxxxxx 
    11        U+0080      U+07FF        2      110xxxxx  10xxxxxx 
    16        U+0800      U+FFFF        3      1110xxxx  10xxxxxx  10xxxxxx 
    21        U+10000     U+1FFFFF      4      11110xxx  10xxxxxx  10xxxxxx  10xxxxxx 

阅读description on Wikipedia了解更多详情。它提供了上表，以及一些示例。另请阅读RFC 3629，这是官方的UTF-8规范。

Answer 2

在UTF-8中字符的多字节表示中，所有字节在0x80到0xFF的范围内，即它们具有最高有效位集。这意味着字节0x00到0x7F仅使用 作为ASCII字符的单字节表示（在Unicode中称为Basic Latin）。