UTF-8 中的代理字符是什么？

我有一个奇怪的验证程序，用于验证 utf-8 字符串是否是有效的主机名（PHP 中的 Zend Framework Hostname valdiator）。它允许 IDN（国际化域名）。它将每个子域与由其十六进制字节表示定义的字符集进行比较。两个这样的集合是D800-DB7F and DC00-DFFF。 PHP正则表达式比较函数调用preg_match在这些比较期间失败，它说DC00-DFFF此函数中不允许使用字符。从维基百科我了解到这些字节在 UTF-8 中被称为代理字符。它们是什么以及它们实际上对应于哪些字符？我读了好几个地方，但还是不明白它们是什么。

UTF-8 中的代理字符是什么？

这几乎就像一个技巧问题。

近似答案#1：4 个字节（如果配对并以 UTF-8 编码）。

近似答案#2：无效（如果未配对）。

近似答案#3：它不是 UTF-8；它不是 UTF-8。它是修改后的UTF-8.

概要：该术语不适用于 UTF-8。

Unicode 代码点的范围需要 21 位数据。

UTF-16 代码单元为 16 位。 UTF-16 将某些范围的 Unicode 代码点编码为一个代码单元，将其他代码点编码为两个代码单元对，第一个来自“高”范围，第二个来自“低”范围。 Unicode 将与高低对范围匹配的代码点保留为无效。他们有时被称为代理人，但他们不是角色。它们本身没有任何意义。

UTF-8 代码单元是 8 位。 UTF-8 分别以一到四个代码单元对几个不同范围的代码点进行编码。

#1 碰巧 UTF-16 使用两个 16 位代码单元编码的代码点，UTF-8 使用 4 个 8 位代码单元编码，反之亦然。

#2 可以对无效的codepoint应用UTF-8编码算法，即无效。它们无法解码为有效的代码点。兼容的读取器会抛出异常或抛出字节并插入替换字符 (�)。

#3 Java 提供了一种通过称为 JNI 的系统在外部代码中实现功能的方法。 Java String API 提供对 String 和 char 作为 UTF-16 代码单元的访问。在 JNI 的某些地方，可能是为了方便起见，字符串值是修改后的UTF-8。 Modified UTF-8 是应用于 UTF-16 代码单元而不是 Unicode 代码点的 UTF-8 编码算法。

无论如何，字符编码的基本规则是使用用于写入的编码进行读取。如果要将任何字节序列视为文本，则必须知道编码；否则，您会丢失数据。