UTF-8和Unicode，0xC0和0x80是什么？
在过去的几天里，我一直在阅读Unicode和UTF-8，我经常遇到类似于这样的比较：
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，并检查是否是最重要的位？
谢谢！
编辑：ANDED，不比较，使用了错误的字;）
这不是与0xc0的比较，它是与0xc0的逻辑AND操作。
位掩码0xc0是11 00 00 00所以AND正在做的是只提取最高两位：
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 ）进行比较。 换句话说， if语句正在检查该值的前两位是否不等于10 。
“为什么？”，我听到你问。 那么，这是一个很好的问题。 答案是，在UTF-8中，以位模式10开始的所有字节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，这个小片段正在做的是遍历UTF-8string的每个字节，并计算所有不是连续字节的字节（即获得广告string的长度）。 看到这个维基百科链接更多的细节和Joel Spolsky的优秀文章的底漆。
旁边有一个有趣的事情。 您可以按如下方式对UTF-8stream中的字节进行分类：
- 高位设置为
0，它是单字节值。 - 将两个高位设置为
10，这是一个连续字节。 - 否则，它是多字节序列的第一个字节，前导
1位的数目表示这个序列总共有多less字节（110...表示两个字节，1110...表示三个字节等）。
