unicode UTF-8，解码问题答案

【问题标题】：unicode UTF-8, Decoding issueunicode UTF-8，解码问题
【发布时间】：2018-06-17 00:19:39
【问题描述】：

UTF-8 是可变长度编码。如果一个字符可以使用单个字节来表示，例如：A（英文字母 A），UTF-8 将使用单个字节对其进行编码。如果它需要两个字节，它将使用两个字节，依此类推。现在考虑我编码 A (01000001) あ(11100011 10000001 10000010)。这将作为连续空间存储在内存中：01000001 11100011 10000001 10000010。我的问题是在解码时，编辑器如何知道第一个字节仅用于第一个字符，接下来的 3 个字节用于第二个字符？

** 它最终可能会解码 4 个字符，其中每个字节都被视为字符，我的意思是这里的区别在哪里。

【问题讨论】：

你试过解码吗？你最后有 4 个字符吗？
编码是以长度为前缀的，所以你知道每个序列有多长。例如。 1110xxxx 表示三个字节（三个“一”）。
@Kerrek SB 根据您的回答，前三个 1 构成长度符号。考虑？？？？（Unicode标量值：U+2070E），其二进制值为0010 0000 0111 0000 1110，这里不包含4个1。
@Anthony McGrath 我的编辑器或浏览器确实会打印出我存储的确切符号，但我想从理论上了解编辑器是如何进行解码的。
@user9185862 UTF-8 不直接使用 Unicode 代码点的二进制表示。字符的 UTF-8 表示？？？？是F0 A0 9C 8E，或11110000 10100000 10011100 10001110。

标签： unicode encoding utf-8

【解决方案1】：

UTF-8 编码告诉程序每个编码代码点有多少字节。任何以0xxxxxxx 开头的字节都是从0 到127 的ASCII 字符。任何以10xxxxxx 开头的字节都是连续字节，并且只能出现在起始字节之后：110xxxxx、1110xxxx 或11110xxx 指定下一个字节，两个字节或三个字节分别是连续字节。

如果没有正确数量的连续字节，或者连续字节出现在错误的位置，则该字符串不是有效的 UTF-8。一些程序利用这一点来尝试自动检测编码。

【讨论】：

我用可用的例子检查了它，您的声明与它们相符，谢谢。