Unicode 自 2.0 到現在 6.0 都是 21 bits 編碼。UTF 就是實作把這個最大為 21 bits 的數字儲存。常見的 UTF 有 UTF-8、UTF-16 及 UTF-32。今次要再講講 UTF-8。
UTF-8 之所以流行是因為它跟 ASCII 兼容，”a” 字在 ASCII 及 UTF-8 時都是 0x61，但在 UTF-16 時卻是 0x00 0x61，當中 0x00 用 ASCII 解讀時會觸發 null-terminated。且儲存英文及數字只需使用 1 byte，比 UTF-16 節省一倍。雖然儲存中文字時，UTF-8 會比 UTF-16 用多較多空間，不過除非是全中文文章，否則中英混雜時，例如 HTML，用 UTF-8 一般會較有儲存大小上的好處。
UTF-8 能兼容 ASCII 之餘又能儲存大於 128 編碼的袐密在於可變位數，詳情可參看 淺談 Unicode、UTF-8、UTF-16 和 UTF-32。
今次要講的是如何能得知 UTF-8 字串 (string) 的長度。這裡講的是從記憶體 byte array 入手。
int strlen_utf8(char *s)
{
int i = 0, j = 0;
while (s[i]){
if ((s[i] & 0xc0) != 0x80) j++;
i++;
}
return j;
}
0xc0 就是 11 00 00 00
0x80 就是 10 00 00 00
這裡就是看看字串的每個 byte 是否 10 開頭，如是 10 開頭，即只是前一個 byte 的 trailing (後續) bytes，是同一個字，所以 count 不會加 1。
看到這裡，不得不贊嘆 UTF-8 這個設計很聰明，就算可變位元也能 self-sync 及有效得知字串長度。