-1

UTF8 中 '\x80' 占用多少字节？

在 Python 中，我写：

>>> '\x80'.encode('utf8')
b'\xc2\x80'

这表明 '\x80' 转换为两个字节。

另外，反过来：

>>> b'\x80'.decode()
>>> Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0: invalid start byte

这是否意味着字节'\x80' 本身在​​ UTF-8 中没有（字符）含义？

4

1 回答 1

6

Unicode 字符U+0080（它是一个控制字符：PAD）在 UTF-8 中被编码为两个字节，分别是 0xC2 和 0x80。

仅包含字节 0x80的字节流本身并不代表任何内容的有效 UTF-8 编码（即，仅该字节本身就是格式错误的 UTF-8 流）。

基本上，UTF-8 流中的每个字节都可以归类为三种不同类型之一：

  • 单字节序列：0x00-0x7F (0-127) 范围内的字节单独表示单个 Unicode Codepoint（这部分相当于旧的 US-ASCII 编码）
  • 前导字节：0xC0-0xFD (192-253) 范围内的字节开始一个多字节序列并指示该序列必须有多长*
  • 连续字节：0x80-0xBF (128-191) 范围内的字节是多字节序列的其余部分。

0x80 是一个连续字节，因此它不能独立存在（它必须以前导字节开头，并且可能还有其他一些连续字节才有效）。

关于 UTF-8的Wikipedia 文章有一些非常广泛的文档以及很好的示例。

* 请注意，由于各种原因，某些前导字节永远不会出现在有效的 UTF-8 中，因此实际使用的前导字节范围较小。同样，0xFE 和 0xFF 只是从未使用过，因此也永远不会出现在有效的 UTF-8 中。

于 2020-01-07T08:19:13.583 回答