UTF-8&；Unicode，什么'；带0xC0和0x80的s？

在过去的几天里，我一直在阅读有关Unicode和UTF-8的文章，我经常遇到类似的按位比较：

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

有人能澄清与0xc0的比较并检查它是否是最高有效位吗

谢谢大家!

---

编辑：ANDed，不是比较，使用了错误的单词；）

它不是与

0xc0

的比较，而是与

0xc0

的逻辑AND运算

位掩码

0xc0

为

11 00 00

，因此AND所做的是仅提取前两位：

    ab cd ef gh
AND 11 00 00 00
    -- -- -- --
  = ab 00 00 00

然后将其与

0x80

（二进制

10 00

）进行比较。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。这是个好问题。答案是，在UTF-8中，以位模式

10

开头的所有字节都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

因此，这个小片段所做的是遍历UTF-8字符串的每个字节，并计算所有不是延续字节的字节（即，它得到了字符串的长度，如广告所示）。有关更多详细信息和底漆，请参阅

---

顺便提一下，这是一个有趣的旁白。您可以按如下方式对UTF-8流中的字节进行分类：

• 高位设置为

  0

  ，则为单字节值
• 当两个高位设置为

  10

  时，它是一个连续字节
• 否则，它是多字节序列的第一个字节，前导

  1

  位的数量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，以此类推）