为什么UTF-8在其编码中浪费了几位

根据Wikipedia的文章，UTF-8具有以下格式：

首码尾码字节字节1字节2字节3字节4
点点使用
U + 0000 U + 007F 1 0xxxxxxx
U + 0080 U + 07FF 2 110xxxxx 10xxxxxx
U + 0800 U + FFFF 3 1110xxxx 10xxxxxx 10xxxxxx
U + 10000 U + 1FFFFF 4 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
x表示该位用于选择代码点。

这在每个连续字节上浪费了两位，而在第一个字节上浪费了一位。为什么未对UTF-8进行以下编码？

首码尾码字节字节1字节2字节3
点点使用
U + 0000 U + 007F 1 0xxxxxxx
U + 0080 U + 3FFF 2 10xxxxxx xxxxxxxx
U + 0800 U + 1FFFFF 3 110xxxxx xxxxxxxx xxxxxxxx

当代码点超出基本多语言平面或代码点在[U + 800，U + 3FFF]范围内时，它将节省一个字节。

为什么未以更有效的方式对UTF-8进行编码？

这样做是为了使您可以检测到何时处于多字节序列的中间。查看UTF-8数据时，您知道，如果看到10xxxxxx，则说明您处于多字节字符的中间，应该备份到流中，直到看到0xxxxxx或为止11xxxxxx。使用您的方案，字节2或3可能很容易以诸如0xxxxxxx或11xxxxxx

还请记住，保存多少完全取决于您要编码的字符串数据类型。对于大多数文本，即使是亚洲文本，也很少会看到带有普通文本的四字节字符。而且，人们对文本外观的幼稚估计常常是错误的。我已经为UTF-8本地化了文本，其中包括日文，中文和韩文字符串，但实际上是俄语占用了最多的空间。（因为我们的亚洲字符串中经常会穿插罗马字符以表示专有名称，标点符号等，并且因为平均中文单词是1-3个字符，而平均俄语单词是很多很多。）

官方方法让解码器知道它何时位于元组的中间，并且知道跳过字节（或向后），直到字节以0或开头11。当单个字节损坏时，这可以防止垃圾值。

简短的回答，您的建议不区分第一个字节和继续字节。

第一个字节高端的位模式可以告诉您构建实际字符的字节数。这些模式在解析字符串时还提供了一些错误识别。如果您正在读取（看似）字符的第一个字节，并且得到10xxxxxx，则说明您不同步。

没有提到的是，如果您具有正确的代码点序列，并且保证可以指向代码点的第一个字节的指针，那么使用UTF-8可以很容易地找到指向第一个字节的指针上一个代码点的字节数（跳过所有以01xx xxxx开头的字节）。使用您的编码，就不可能不检查字符串开头的所有字节。

考虑（2n + 2）个字节的序列

0xxxxxxx
n times (10xxxxxx, 10xxxxxx)
0xxxxxxx

和

n times (10xxxxxx, 10xxxxxx)
(10xxxxxx, 0xxxxxxx)

如果在此序列之后有指向第一个代码点的第一个字节的指针，则必须检查所有字节以找出最后一个代码点是0xxxxxxx还是（10xxxxxx，0xxxxxxx）。

实际上，存在更有效的编码方案，其中可以在恒定时间内完成到前一个代码点的访问，并且可以固定指向代码点中间的指针。允许以下代码：

X where X < 128
YX where 128 ≤ Y < 236, X < 128
ZYY where 236 ≤ Z < 256, 0 ≤ Y < 236. 

如果前三个字节之一≥236，则它是3字节序列的开始，因为在任何有效的3字节序列中都不能有两个这样的字节。否则，如果前两个字节之一≥128，则它是两个字节序列的开始。否则，前一个字节是单个字节<128。

搜索子字符串变得稍微困难​​一些。您可能希望排除零字节，以便如果字符串包含零代码点，则字符串仅包含零字节。