UTF-8是一种将Unicode随ASCII字节流输送的编码形式，它兼容ASCII，并且不需要特殊的算法便可处理。唯一不方便的地方是它是变长编码，因此截断字符串时要小心，不然在边界处可能会产生无效字符。由于设计问题，它存在很多无效码位，我们通常可以按照这些无效码位来识别UTF-8编码。

一、全能型UTF-8

现在的Unicode字符集被称为UCS-4，最初UCS-4具有31位的编码，因此UTF-8也是能承载31位编码。这里我称这种UTF-8为全能型UTF-8。全能型UTF-8的二进制定义如下：
0-7F (xxxxxxx) => 00-7F (0xxxxxxx)
80-7FF (xxx xx'xxxxxx) => C0-DF 80-BF (110xxxxx 10xxxxxx)
800-FFFF (xxxx'xxxx xx'xxxxxx) => E0-EF 80-BF 80-BF (1110xxxx 10xxxxxx 10xxxxxx)
10000-1FFFFF (xxx'xx xxxx'xxxx xx'xxxxxx) => F0-F7 80-BF 80-BF 80-BF (11110xxx 10xxxxxx 10xxxxxx 10xxxxxx)
200000-3FFFFFF (xx' xxxxxx'xx xxxx'xxxx xx'xxxxxx) => F8-FB 80-BF 80-BF 80-BF 80-BF (111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx)
4000000-7FFFFFFF (x'xxxxxx' xxxxxx'xx xxxx'xxxx xx'xxxxxx) => FC-FD 80-BF 80-BF 80-BF 80-BF 80-BF (1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx)

也就是说，在全能型UTF-8中，字节范围不同，则功能不同，可概括如下：
字节如果是00-7F，则是ASCII
字节如果是80-BF，则是尾字节
字节如果是E0-FD，则是首字节，C0-DF跟一个尾字节，E0-EF跟两个，F0-F7跟三个，F8-FB跟四个，FC-FD跟五个
字节FE-FF，是未定义的

现在可初步总结出全能型UTF-8的基本规则：
单独的字节80-BF，是无效的
首字节C0-DF跟随1个80-BF字节，才可能是有效的
首字节E0-EF跟随2个80-BF字节，才可能是有效的
首字节F0-F7跟随3个80-BF字节，才可能是有效的
首字节F8-FB跟随4个80-BF字节，才可能是有效的
首字节FC-FD跟随5个80-BF字节，才可能是有效的
字节FE-FF，是无效的

二、Unicode码位大缩水的

虽然UCS-4设计上有31位，但是最后定下来的码位只剩下21位，值只能取000000-10FFFF。这样以来，最明显的是我们不再需要五字节或六字节编码了，于是F8-FD也成为了未定义字节。

除此之外，四字节编码也有所缩水。由于码位只能取000000-10FFFF而不是1FFFFFF，也就是只能取最高100'001111'111111'111111，因此实际上四字节编码中，首字节也只用了F0-F4，而没有使用F5-F7，并且首字节是F4时，紧挨着的一个尾字节也只能使用80-8F，而不能使用90-BF。也就是说，最大的UTF-8码位是F4 8F BF BF。

由此可以总结出下面两条规则：
字节F5-FF，是无效的
双字节F490-F4BF，是无效的

三、现实的UTF-8

随着Unicode码位的大缩水，我们的UTF-8也随之大缩水，接下来我们要对全能型UTF-8定义做个大瘦身，瘦身后的UTF-8定义如下：
0-7F (xxxxxxx) => 00-7F (0xxxxxxx)
80-7FF (xxx xx'xxxxxx) => C0-DF 80-BF (110xxxxx 10xxxxxx)
800-FFFF (xxxx'xxxx xx'xxxxxx) => E0-EF 80-BF 80-BF (1110xxxx 10xxxxxx 10xxxxxx)
10000-FFFFF (0xx'xx xxxx'xxxx xx'xxxxxx) => F0-F3 80-BF 80-BF 80-BF (11110'0xx 10xxxxxx 10xxxxxx 10xxxxxx)
100000-10FFFF (100'00 xxxx'xxxx xx'xxxxxx) => F4 80-8F 80-BF 80-BF (11110'100 10'00xxxx 10xxxxxx 10xxxxxx)

在UTF-8中，字节范围不同，则功能不同，可概括如下：
字节如果是00-7F，则是ASCII
字节如果是80-BF，则是尾字节
字节如果是E0-FD，则是首字节，C0-DF跟一个尾字节，E0-EF跟两个，F0-F4跟三个
双字节F490-F4BF，是未定义的
字节F5-FF，是未定义的

UTF-8的基本规则：
单独的字节80-BF，是无效的
首字节C0-DF跟随1个80-BF字节，才可能是有效的
首字节E0-EF跟随2个80-BF字节，才可能是有效的
首字节F0-F7跟随3个80-BF字节，才可能是有效的
双字节F490-F4BF，是无效的
字节F5-FF，是无效的

四、超长编码的问题

由于UTF-8并没有像UTF-16那样从算法上硬性规定某个码位一定按照某个字节长度编码，实际上有些人就可以动歪脑筋了。举例说明，Unicode码位0（空字符）既可以按照00来编码，又可以按照C0 80来编码，还可以按照E0 80 80来编码，还可以按照F0 80 80 80来编码，这就乱套了。一个根本不存在字节00的UTF-8字符串转换为UTF-16或UTF-32字符串之后可能会出现多个0，如果用这种方法藏一些危险代码，如rm -rf /之类的，后果可想而知。所以为了安全性的原因，大多数系统在转码时，都会将超长UTF-8编码视为无效编码。

超长UTF-8编码在现实的UTF-8中一般有这样几种表现形式：
0-7F的码位用二字节编码（110'0000x 10xxxxxx，即C0-C1 80-BF）
0-7FF的码位用三字节编码（1110'0000 10'0xxxxx 10xxxxxx，即E0 80-9F 80-BF）
0-FFFF的码位用四字节编码（11110'000 10'00xxxx 10xxxxxx 10xxxxxx，即F0 80-8F 80-BF 80-BF）

和第二节中的情况类似，我们也可以总结出以下规则，用以下的规则，就可以方便地识别超长编码，避免安全性问题。
字节C0-C1，是无效的
双字节E080-E09F，是无效的
双字节F080-F08F，是无效的

在某些应用场合下，超长编码有另外的应用。比如C字符串中是不允许出现等于0的空字符的，否则字符串会被截断，而另外一些语言则支持空字符。因此在交换字符串时，常将空字符转化为C0 80用以避免字符串被截断。然而这种做法也有一定的不安全因素，假如客户程序不做任何处理就将字符串转换为UTF-16，仍会导致字符串被截断。

五、扩展平面——四字节与六字节之争

UTF-16在远古的UCS-2时代（Unicode还是16位的时候）就产生了，那时只能支持0000-FFFF的码位。后来UCS-4加入了16个扩展平面，码位扩充到000000-10FFFF。其中小于等于00FFFF的字符仍按原来的方法表示，大于00FFFF的字符则用代理对表示。代理对首字范围是D800-DBFF (110110xx xxxxxxxx)，第二字范围是DC00-DFFF (110111xx xxxxxxxx)，共20位的有效位，扩展平面的字符减去010000后范围为000000-0FFFFF也刚好20位。

现在大多数软件都会先将代理对转换为大于00FFFF的扩展平面码位，然后再按四字节编码UTF-8，表现为F0-F4 80-BF 80-BF 80-BF；但是某些软件由于历史原因不能正确识别代理对，或者为了简化算法的原因，它们将代理对中的两个字各转换为两个三字节编码，表现为ED A0-AF 80-BF / ED B0-BF 80-BF。和第四节的情况一样，也乱套了。现在前者被称为标准UTF-8，后者被称为兼容UTF-8或CESU-8。

一般来说，标准UTF-8中不可能出现六字节形式，因此大多数系统都会将这种编码视为无效编码，即认为EDA0-EDBF为无效双字节。对于标准UTF-8文本，附加规则如下：
双字节EDA0-EDBF，是无效的

但是，如果需要读取含有六字节形式的兼容UTF-8文本（CESU-8文本），就不应该将EDA0-EDBF视为无效双字节，而是将它视为有效字节。反之，需要将F0以上的字节都视为无效字节，因为文本中并不需要含有四字节形式。另外，UTF-16代理对的规则也适用于CESU-8。对于兼容UTF-8文本（CESU-8文本），附加规则如下：
字节F0-FF，是无效的
双字节EDA0-EDAF后面没有跟80-BF、EDB0-EDBF、80-BF，是无效的
单独的双字节EDB0-EDBF，是无效的

具体需要支持那种形式，要看具体需求。一般来说标准UTF-8兼容性好，而兼容UTF-8（CESU-8）算法比较简单。

五、UTF-8编码规则大总结

标准UTF-8文本的规则：
单独的字节80-BF，是无效的
首字节C2-DF跟随1个80-BF字节，才可能是有效的
首字节E0-EF跟随2个80-BF字节，才可能是有效的
首字节F0-F4跟随3个80-BF字节，才可能是有效的
字节C0-C1，是无效的（超长双字节）
字节F5-FF，是无效的（F5-F7超码位、F8-FD被废弃、FE-FF未定义）
双字节E080-E09F，是无效的（超长三字节）
双字节EDA0-EDBF，是无效的（UTF-16代理对）
双字节F080-F08F，是无效的（超长四字节）
双字节F490-F4BF，是无效的（超码位）

兼容UTF-8文本（CESU-8文本）的规则：
单独的字节80-BF，是无效的
首字节C2-DF跟随1个80-BF字节，才可能是有效的
首字节E0-EF跟随2个80-BF字节，才可能是有效的
字节C0-C1，是无效的（超长双字节）
字节F0-FF，是无效的（F0-F7未使用，F8-FD被废弃，FE-FF未定义）
双字节E080-E09F，是无效的（超长三字节）
双字节EDA0-EDAF后面没有跟80-BF、EDB0-EDBF、80-BF，是无效的（代理对不匹配）
单独的双字节EDB0-EDBF，是无效的（代理对不匹配）

（完）