UTF-8 和 Unicode，0xC0 和 0x80 是什么意思？

在过去的几天里，我一直在阅读有关 Unicode 和 UTF-8 的内容，并且经常遇到与此类似的按位比较：

int strlen_utf8(char *s) 
{
  int i = 0, j = 0;
  while (s[i]) 
  {
    if ((s[i] & 0xc0) != 0x80) j++;
    i++;
  }
  return j;
}

有人可以澄清与 0xc0 的比较并检查它是否是最高有效位吗？

谢谢你！

编辑：ANDed，而不是比较，使用了错误的词；）

这不是比较0xc0，这是一个逻辑与运算0xc0.

位掩码0xc0 is 11 00 00 00所以 AND 所做的只是提取前两位：

    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）。换句话说，if语句正在检查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，所有以位模式开头的字节10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，这个小片段所做的就是遍历 UTF-8 字符串的每个字节，并计算所有不是连续字节的字节（即，它获取字符串的长度，如广告所示）。看这个维基百科链接 http://en.wikipedia.org/wiki/UTF-8欲了解更多详细信息和Joel Spolsky 的优秀文章 http://www.joelonsoftware.com/articles/Unicode.html作为底漆。

顺便说一句有趣的。您可以按如下方式对 UTF-8 流中的字节进行分类：

• 将高位设置为0，它是一个单字节值。
• 将两个高位设置为10，它是一个连续字节。
• 否则，它是多字节序列的第一个字节和前导的数量1位表示该序列总共有多少字节（110...表示两个字节，1110...表示三个字节等）。