如何将字符位置转换为 UTF-8 文件中的字节位置？答案

【问题标题】：How to convert from character positions to byte postions in UTF-8 file?如何将字符位置转换为 UTF-8 文件中的字节位置？
【发布时间】：2013-02-08 23:22:12
【问题描述】：

我有 UTF-8 编码的文本文件。我可以按字符阅读。每个 char 可以是一个字节或多字节。我怎样才能知道在哪里读取了一个字节以及读取了多个字节？

【问题讨论】：

标签： java utf-8 byte

【解决方案1】：

在读取chars 时计算字节数。

对于每个char c：

if(c<128)
  bytesCount++;
else if (c<2048)
  bytesCount+=2;
else
  bytesCount+=3;

另见编码定义wikipedia URF8

【讨论】：

为更大的字符数添加 2 或 3 是不够的。 UTF-8 代码序列最长可达 6 个字节（并为单个抽象字符生成多个 Java char 值），低编号字符可以用长字节序列而不是通常的短的。
@Wyzard：您的评论绝对正确，除了 UTF-8 代码序列最长可达 4 个字节。引用Wikipedia：2003 年 11 月，UTF-8 被 RFC 3629 限制为以 U+10FFFF 结尾，以匹配 UTF-16 字符编码的约束。这删除了所有 5 字节和 6 字节序列，以及大约一半的 4 字节序列。
这是对的，但不适用于高达 65535 的字符值，java 仅支持此值 [但可以随意实现最多 6 字节的编码（参见 wikipedia-link）]