UTF-8和Unicode，0xC0和0x80是什么？
UTF-8和Unicode，0xC0和0x80是什么？
提问于 2010-10-12 11:42:45
在过去的几天里，我一直在阅读关于Unicode和UTF-8的文章，我经常遇到类似于下面这样的逐位比较：
int strlen_utf8(char *s)
{
int i = 0, j = 0;
while (s[i])
{
if ((s[i] & 0xc0) != 0x80) j++;
i++;
}
return j;
}谁能澄清一下与0xc0的比较，并检查它是否是最重要的位？
谢谢!
编辑: ANDed，而不是比较，使用了错误的单词;)
回答 1
Stack Overflow用户
回答已采纳
发布于 2010-10-12 11:51:45
这不是与0xc0的比较，而是与0xc0的逻辑AND运算。
位掩码0xc0是11 00 00 00，所以和所做的是只提取最高的两位：
ab cd ef gh
AND 11 00 00 00
-- -- -- --
= ab 00 00 00然后将其与0x80 (二进制10 00 00 00)进行比较。换句话说，if语句检查该值的前两位是否不等于10。
“为什么？”我听到你问。嗯，这是个好问题。答案是，在UTF-8中，所有以位模式10开头的字节都是多字节序列的后续字节：
UTF-8
Range Encoding Binary value
----------------- -------- --------------------------
U+000000-U+00007f 0xxxxxxx 0xxxxxxx
U+000080-U+0007ff 110yyyxx 00000yyy xxxxxxxx
10xxxxxx
U+000800-U+00ffff 1110yyyy yyyyyyyy xxxxxxxx
10yyyyxx
10xxxxxx
U+010000-U+10ffff 11110zzz 000zzzzz yyyyyyyy xxxxxxxx
10zzyyyy
10yyyyxx
10xxxxxx所以，这个小代码段所做的就是遍历UTF-8字符串的每个字节，并对不是连续字节的所有字节进行计数(即，它将获得字符串的长度，如广告所示)。有关更多详细信息，请参阅this wikipedia link，有关入门知识，请参阅Joel Spolsky's excellent article。
顺便说一下，这是一个有趣的问题。您可以按如下方式对UTF-8流中的字节进行分类：
高位设置为0的
- ，它是单字节值。将两个高位设置为
10的 - ，它是多字节序列的第一个字节，前导
1位的数量表示此序列总共有多少个字节(110...表示两个字节，1110...表示三个字节等)。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/3911536
复制相关文章
相似问题
腾讯云开发者
