【字符编码系列之四】Unicode实现之UTF-8详解

在开始本篇文章之前，我默认大家已经区分好了Unicode编码(也就是代码点)和Unicode编码具体实现之间的区别。要不然，下面讲的你会不知所云的。

历史

我们知道，ISO 10646委员会定义了一个叫做Universal Character Set (UCS)的超级字符集，以囊括世界上所有的书写系统。正因为UCS现在是用4个字节编码，而实现它的则是UTF-16和UTF32之类的方案，正因这些实现方案（注意，非编码方案）是多字节的，所以导致它不兼容US-ASCII相关的系统。UTF-8也因此而诞生。UTF-8的使命之一就是对于ASCII表示的字符，本方案的编码要和ASCII完全一样。

历史上曾经的UTF-8用1~6个字节来编码字符，也就是说，与此对应的抽象代码点可以达到U+7FFFFFFF。但是人们发现，对于代码点来说，根本用不到4个字节编码，只用21位就可以完全包含世界上所有的书写系统了，即合法代码点为0x0000~0x10FFFF。所以随着Unicode规定合法的代码点范围是0x0000 0000 ~0x0010 FFFF,RFC 3629宣布，以前的UTF-8(RFC 2279)标准作废，新标准中UTF-8用1~4个字节来编码字符。

对于Unicode相关的编码，总共有五种：UTF-8, UCS-2, UTF-16, UCS-4 and UTF-32.要是有人非要加上UTF-7那也可以吧。
本系列后续文章会依次讲到上述所有实际编码方案。

UTF-8

UTF-8，顾名思义，是以字节为单位的。并不是说用UTF-8编码的字符就是一个字节，而是说，它是以字节为单位来增加的，1字节，2字节，3字节，4字节。
而UTF-16，则是以16位为单位来增加的，2字节，4字节。
UTF-8和UTF-16都是变长编码的，我们可以通过下面这