如果UTF-8是8位，这是否意味着最多只能有256个不同的字符？

前128个代码点与ASCII中的相同。但是它说UTF-8最多可以支持百万个字符吗？

这是如何运作的？

UTF-8不会一直使用一个字节，而是1到4个字节。

前128个字符（US-ASCII）需要一个字节。

接下来的1,920个字符需要两个字节进行编码。这涵盖了几乎所有拉丁字母的其余部分，以及希腊语，西里尔字母，科普特语，亚美尼亚语，希伯来语，阿拉伯语，叙利亚语和塔纳语字母，以及组合变音符号。

在基本多语言平面的其余部分中，字符需要三个字节，其中几乎包含了所有常用的字符[12]，包括大多数中文，日文和韩文[CJK]字符。

Unicode其他平面中的字符需要四个字节，其中包括较少见的CJK字符，各种历史脚本，数学符号和表情符号（象形符号）。

资料来源：维基百科

UTF-8每个字符使用1-4个字节：一个字节用于ascii字符（前128个unicode值与ascii相同）。但这仅需要7位。如果设置了最高（“符号”）位，则表明多字节序列的开始；否则，它指示多字节序列的开始。设置的连续高位位数表示字节数，然后为0，其余位为该值。对于其他字节，最高两位为1和0，其余6位为该值。

因此，一个四个字节的序列将从11110 ...（和... =该值的三位）开始，然后是三个字节，每个值具有6位，从而产生21位的值。2 ^ 21超出了unicode字符的数量，因此所有unicode都可以用UTF8表示。

根据此表 * UTF-8 应该支持：

2 ³¹ = 2,147,483,648个字符

但是，RFC 3629限制了可能的值，所以现在我们限制为4个字节，这使我们

2 ²¹ = 2,097,152个字符

请注意，这些字符中的很大一部分都被“保留”以供自定义使用，实际上对于图标字体来说非常方便。

* Wikipedia用来显示一个6字节的表格-自此以后，他们就对文章进行了更新。

2017年7月11日：更正了对重复使用多个字节编码的相同代码点的重复计数的问题

Unicode与UTF-8

Unicode将代码点解析为字符。UTF-8是Unicode的存储机制。Unicode有一个规范。UTF-8有一个规格。它们都有不同的限制。UTF-8具有不同的上界。

统一码

Unicode用“平面”指定。每架飞机上载有2 ^个16码点。Unicode中有17个平面。共计17 * 2^16代码点。第一个平面，即平面0或BMP，在承载重量方面是特殊的。

除了解释所有细微差别外，我只引用飞机上的上述文章。

这17架飞机可以容纳1,114,112个代码点。其中，有2,048个是代理人，有66个是非字符，还有137,468个供私人使用，剩下974,530个用于公共任务。

UTF-8

现在，让我们回到上面链接的文章，

UTF-8使用的编码方案的最大限制是2 ^31个代码点（32,768个平面），即使限制为4个字节，也可以编码2个^21个代码点（32个平面）。[3] 由于Unicode将代码点限制为可以由UTF-16编码的17个平面，因此0x10FFFF以上的代码点在UTF-8和UTF-32中无效。

因此，您可以看到您可以将不是有效Unicode的内容放入UTF-8。为什么？因为UTF-8可以容纳Unicode甚至不支持的代码点。

UTF-8即使有四个字节的限制，也支持2 ^21个代码点，这远远超过了17 * 2^16

UTF-8可能会编码2,164,864个“字符”。

这个数字是2 ^ 7 + 2 ^ 11 + 2 ^ 16 + 2 ^ 21，它来自编码的工作方式：

• 1个字节的字符有7位用于编码 0xxxxxxx（0x00-0x7F）

• 2个字节的字符具有11个编码位 110xxxxx 10xxxxxx（第一个字节为0xC0-0xDF；第二个字节为0x80-0xBF）

• 3字节字符具有16位编码 1110xxxx 10xxxxxx 10xxxxxx（第一个字节为0xE0-0xEF；连续字节为0x80-0xBF）

• 4字节字符有21位用于编码 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx（第一个字节为0xF0-0xF7；连续字节为0x80-0xBF）

如您所见，它远大于当前的Unicode（1,112,064个字符）。

更新

我的初始计算是错误的，因为它没有考虑其他规则。有关更多详细信息，请参见对此答案的评论。

UTF-8是可变长度编码，每个字符最少 8位。
具有更高代码点的字符最多需要32位。

引自维基百科：“ UTF-8使用1到4个8位字节（在Unicode标准中称为“八位字节”）对Unicode字符集中的1,112,064个代码点进行编码。

一些链接：

• http://www.utf-8.com/
• http://www.joelonsoftware.com/articles/Unicode.html
• http://www.icu-project.org/docs/papers/forms_of_unicode/
• http://en.wikipedia.org/wiki/UTF-8

查看Unicode标准和相关信息，例如FAQ条目，UTF-8 UTF-16，UTF-32和BOM。这并非一帆风顺，而是权威信息，您可能在其他地方所读到的有关UTF-8的许多内容都值得商question。

“ UTF-8”中的“ 8”与以位为单位的代码单位的长度有关。代码单位是用于编码字符的实体，不一定是简单的一对一映射。UTF-8使用可变数量的代码单元来编码字符。

可以用UTF-8编码的字符集合与UTF-16或UTF-32完全相同，即所有Unicode字符。它们都对整个Unicode编码空间进行编码，甚至包括非字符和未分配的代码点。

尽管我同意mpen的当前最大UTF-8代码（2,164,864）（在下面列出，我无法对他进行评论），但是如果您删除了UTF-8的2个主要限制，他的等​​级将降低2级：仅4个字节限制和代码254和255不能使用（他只删除了4个字节的限制）。

起始代码254遵循起始位（将多位标志设置为1，计数为6 1的计数，以及终端0，无备用位）的基本安排，为您提供了6个额外的字节以供使用（6个10xxxxxx组，另外2个^）。 36个代码）。

起始代码255并非完全遵循基本设置，没有使用终端0，而是使用了所有位，从而为您提供了7个附加字节（多位标志设置为1，计数为7 1，并且由于使用了所有位，所以没有终端0 ; 7个10xxxxxx组，另外还有2 ^ 42个代码）。

将它们加在一起，得出的最终最大可显示字符集为4,468,982,745,216。这比当前使用的所有字符，旧的或无效的语言以及任何相信的丢失语言都重要。天使或天体剧本？

除了254和255：128-191以及其他一些以外，还有一些在UTF-8标准中被忽略/忽略的单字节代码。有些是由键盘在本地使用的，示例代码128通常是一个删除的退格键。其他起始代码（及相关范围）由于一个或多个原因（https://en.wikipedia.org/wiki/UTF-8#Invalid_byte_sequences）而无效。

Unicode与UTF-8紧密相连。Unicode特别支持2 ^ 21个代码点（2,097,152个字符），这与UTF-8支持的代码点数完全相同。两种系统都保留相同的“死区”空间和代码点等限制区域。...截至2018年6月，最新版本Unicode 11.0包含137,439个字符

来自unicode标准。 Unicode常见问题

Unicode标准对U + 0000..U + 10FFFF范围内的字符进行编码，这相当于21位代码空间。

从UTF-8 Wikipedia页面。 UTF-8说明

由于在2003年将Unicode代码空间限制为21位值，因此定义了UTF-8以将代码点编码为一到四个字节，...