Unicode > UTF

  • CESU-8 (Oracle による悪行)
  • WTF-8 (サロゲートペア関連)

.†

  • UTF-8でエンコードされた文字列の文字数を取得するコード
    • http://59log.com/?func=detail&id=2243 
      1バイト目の先頭ビットが0の場合は1バイト文字
1バイト目の先頭から3ビットが110の場合は2バイト文字
1バイト目の先頭から4ビットが1110の場合は3バイト文字
1バイト目の先頭から5ビットが11110の場合は4バイト文字
1バイト目の先頭から6ビットが111110の場合は5バイト文字
1バイト目の先頭から7ビットが1111110の場合は2バイト文字
  • UTF8の文字数を数える
    • http://shnya.jp/blog/?p=164 
      また先頭バイト以外は上位ビットが「10」から始まるので、文字境界は一意に定まります。
例)
1バイト文字: 0XXXXXXXX
2バイト文字: 110xxxxxx 10XXXXXX
3バイト文字: 1110xxxxx 10XXXXXX 10XXXXXX