// Copyright 2009 The Go Authors. All rights reserved.// Use of this source code is governed by a BSD-style// license that can be found in the LICENSE file.// go/src/unicode/utf8/utf8.go// version 1.7// 关于 UTF-8 编码方式请参考：http://www.cnblogs.com/golove/p/3222096.htmlpackage utf8// 编码所需的基本数字const (	RuneError = ‘\uFFFD‘     // 错误的 Rune 或 Unicode 代理字符	RuneSelf  = 0x80         // ASCII 字符范围	MaxRune   = ‘\U0010FFFF‘ // Unicode 码点的最大值	UTFMax    = 4            // 一个字符编码的最大长度)// Unicode 代理字符对 UTF-8 编码而言是无效的。const (	surrogateMin = 0xD800	surrogateMax = 0xDFFF)// 用词说明：// 单字节字符：该字符的 UTF-8 编码需要一个字节存放// 双字节字符：该字符的 UTF-8 编码需要两个字节存放// 三字节字符：该字符的 UTF-8 编码需要三个字节存放// 四字节字符：该字符的 UTF-8 编码需要四个字节存放// 字符首字节：某字符的 UTF-8 编码中的第一个字节// 字符次字节：某字符的 UTF-8 编码中的第二个字节// 字符后续字节：某字符的 UTF-8 编码中首字节后面的其它字节const (	// 位标记（用于判断字节有效性）	t1 = 0x00 // 0000 0000 单字节字符的首字节标记（二进制以 0     开头）	tx = 0x80 // 1000 0000 所有字符的后续字节标记（二进制以 10    开头）	t2 = 0xC0 // 1100 0000 双字节字符的首字节标记（二进制以 110   开头）	t3 = 0xE0 // 1110 0000 三字节字符的首字节标记（二进制以 1110  开头）	t4 = 0xF0 // 1111 0000 四字节字符的首字节标记（二进制以 11110 开头）	t5 = 0xF8 // 1111 1000 好像未使用	// 位掩码（用于获取标记之外的二进制位）	maskx = 0x3F // 0011 1111 所有字符的后续字节掩码	mask2 = 0x1F // 0001 1111 双字节字符的首字节掩码	mask3 = 0x0F // 0000 1111 三字节字符的首字节掩码	mask4 = 0x07 // 0000 0111 四字节字符的首字节掩码	rune1Max = 1<<7 - 1  // 单字节字符的总数（127   个）	rune2Max = 1<<11 - 1 // 双字节字符的总数（2047  个）	rune3Max = 1<<16 - 1 // 三字节字符的总数（65535 个）	// UTF-8 字符的后续字节的一般取值范围	locb = 0x80 // 1000 0000	hicb = 0xBF // 1011 1111	// 字符首字节分类标记，用于将所有的字符首字节分成下面九类，分别处理。	// 以下十六进制常量的高位和低位分别表示不同的含义：	// 高位：“次字节取值范围列表”的索引，如果高位是 F 则表示字符是单字节字符	// 低位：字符的编码长度，如果高位是 F 则低位表示单字节字符的状态：有效、无效	xx = 0xF1 // 无索引，长度 1，对应无效 UTF-8 编码	as = 0xF0 // 无索引，长度 1，对应普通 ASCII 字符	s1 = 0x02 // 索引 0, 长度 2，对应普通“双字节字符”的首字节	s2 = 0x13 // 索引 1, 长度 3，对应特殊“双字节字符”的首字节 0xE0（用于编码长度跨越）	s3 = 0x03 // 索引 0, 长度 3，对应普通“三字节字符”的首字节	s4 = 0x23 // 索引 2, 长度 3，对应特殊“三字节字符”的首字节 0xED（用于代理区检测）	s5 = 0x34 // 索引 3, 长度 4，对应特殊“四字节字符”的首字节 0xF0（用于编码长度跨越）	s6 = 0x04 // 索引 0, 长度 4，对应普通“四字节字符”的首字节	s7 = 0x44 // 索引 4, 长度 4，对应特殊“四字节字符”的首字节 0xF4（用于范围检测）)// first 是关于 UTF-8 字符中首字节的编码信息。// 将所有的首字节进行分类，分为：xx、as、s1、s2、s3、s4、s5、s6、s7 九类，// 其中 xx 代表无效首字节，s1 代表双字节字符的首字节// s2、s3、s4 代表三字节字符的首字节// s5、s6、a7 代表四字节字符的首字节var first = [256]uint8{	//   1   2   3   4   5   6   7   8   9   A   B   C   D   E   F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x00-0x0F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x10-0x1F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x20-0x2F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x30-0x3F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x40-0x4F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x50-0x5F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x60-0x6F	as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x70-0x7F	//   1   2   3   4   5   6   7   8   9   A   B   C   D   E   F	xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0x80-0x8F	xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0x90-0x9F	xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0xA0-0xAF	xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0xB0-0xBF	xx, xx, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, // 0xC0-0xCF	s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, // 0xD0-0xDF	s2, s3, s3, s3, s3, s3, s3, s3, s3, s3, s3, s3, s3, s4, s3, s3, // 0xE0-0xEF	s5, s6, s6, s6, s7, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0xF0-0xFF}// acceptRange 给出次字节的取值范围。type acceptRange struct {	lo uint8 // 次字节最小取值	hi uint8 // 次字节最大取值}// 不同的首字节字符有不同的次字节取值范围，// UTF-8 编码编不出这些范围之外的次字节内容。var acceptRanges = [...]acceptRange{	// 普通字符的次字节，范围之外为无效编码（即二进制位不是以 10 开头）	0: {locb, hicb},	// 三字节特殊字符（首字节为 0xE0）的次字节：	// 如果次字节低于 0xA0 则该字符应该用两个字节表示，而不是三个字节。	// 如果次字节高于 hicb 则该字节为无效编码（即二进制位不是以 10 开头）	1: {0xA0, hicb},	// 三字节特殊字符（首字节为 0xED）的次字节：	// 如果次字节低于 locb 则该字节为无效编码（即二进制位不是以 10 开头）	// 如果次字节高于 0x9F 则该字符为代理区字符（[ED A0 80] - [ED BF BF]）	2: {locb, 0x9F},	// 四字节特殊字符（首字节为 0xF0）的次字节：	// 如果次字节低于 0x90 则该字符应该用三个字节表示，而不是四个字节。	// 如果次字节高于 hicb 则该字节为无效编码（即二进制位不是以 10 开头）	3: {0x90, hicb},	// 四字节特殊字符（首字节为 0xF4）的次字节：	// 如果次字节低于 locb 则该字节为无效编码（即二进制位不是以 10 开头）	// 如果次字节高于 0x8F 则该字符超出 Unicode 范围（超出 MaxRune）	4: {locb, 0x8F},	// 相邻字符的编码长度跨越：	// [11011111 10111111]          [DF BF]    // U+07FF 的后一个字符为三字节	// [11100000 10100000 10000000] [E0 A0 80] // U+0800 的前一个字符为两字节	// [11101111 10111111 10111111]          [EF BF BF]    // U+FFFF  的后一个字符为四字节	// [11110000 10010000 10000000 10000000] [F0 90 80 80] // U+10000 的前一个字符为三字节}// FullRune 判断 p 是否以一个完整（但不一定有效）的 UTF-8 字符开头。// 一个无效的编码也被认为是完整字符，因为它将被转换为一个 RuneError 字符。// 只有“编码有效但长度不够”的字符才被认为是不完整字符。// 也就是说，只有截去一个有效字符的一个或多个后续字节，该字符才算是不完整字符。// 举例：// "好"     是完整字符// "好"[1:] 是完整字符（首字节无效，转换为 RuneError 字符）// "好"[2:] 是完整字符（首字节无效，转换为 RuneError 字符）// "好"[:2] 是不完整字符（编码有效但长度不够）// "好"[:1] 是不完整字符（编码有效但长度不够）func FullRune(p []byte) bool {	n := len(p)	if n == 0 {		return false	}	// 查表并计算，获取编码长度，判断 p 的长度是否满足编码长度	x := first[p[0]]	if n >= int(x&7) { // x&7 获取的就是编码长度		// p 的长度满足编码长度，表示 p 是一个完整的字符开头。		return true	}	// 此时 p 的长度不够，应该是不完整的字符了，但是如果 p 中是无效编码，也算完整。	// 此时 n 肯定小于 4，否则长度不可能不够。	// 获取首字节对应的次字节有效范围	accept := acceptRanges[x>>4]	if n > 1 {		if c := p[1]; c < accept.lo || accept.hi < c {			// 有一个无效字节，算完整字符			return true		} else if n > 2 && (p[2] < locb || hicb < p[2]) {			// 有一个无效字节，算完整字符			return true		}	}	// 全是有效字节，但长度不够，算不完整	return false}// 功能同 FullRune，只不过参数为字符串。func FullRuneInString(s string) bool {	n := len(s)	if n == 0 {		return false	}	x := first[s[0]]	if n >= int(x&7) {		return true	}	accept := acceptRanges[x>>4]	if n > 1 {		if c := s[1]; c < accept.lo || accept.hi < c {			return true		} else if n > 2 && (s[2] < locb || hicb < s[2]) {			return true		}	}	return false}// 解码 UTF-8 序列 p 中的第一个 Unicode 字符。// r   ：解码出的字符// size：该字符的 UTF-8 编码长度// 如果 p 为空，则返回 RuneError, 0// 如果 p 为无效的 UTF-8 编码，则返回 RuneError, 1// 无效 UTF-8 编码：UTF-8 编码不正确（比如长度不够）、结果超出 Unicode 范围、// 编码不是最短的。// 可以用四个字节编码一个单字节字符，但它不是最短的，比如：// [111100000 10000000 10000000 10111000] 不是最短的，应该使用 [00111000]func DecodeRune(p []byte) (r rune, size int) {	n := len(p)	if n < 1 {		return RuneError, 0	}	// 处理单字节字符	p0 := p[0]	x := first[p0]	if x >= as { // x 为 F0 或 F1		// 生成 0x0000 或 0xFFFF		mask := rune(x) << 31 >> 31		// return 保留 ASCII 字符 | 保留 RuneError, 1		return rune(p[0])&^mask | RuneError&mask, 1	}	// 处理多字节字符	// 获取编码长度	sz := x & 7	// 获取次字节有效范围	accept := acceptRanges[x>>4]	// p 长度不够	if n < int(sz) {		return RuneError, 1	}	// p 长度满足	// 次字节编码有效	b1 := p[1]	if b1 < accept.lo || accept.hi < b1 {		return RuneError, 1	}	// 处理有效的双字节字符	if sz == 2 {		return rune(p0&mask2)<<6 | rune(b1&maskx), 2	}	// 超过双字节，第三字节编码有效	b2 := p[2]	if b2 < locb || hicb < b2 {		return RuneError, 1	}	// 处理有效的三字节字符	if sz == 3 {		return rune(p0&mask3)<<12 | rune(b1&maskx)<<6 | rune(b2&maskx), 3	}	// 超过三字节，第四字节编码有效	b3 := p[3]	if b3 < locb || hicb < b3 {		return RuneError, 1	}	// 处理有效的四字节字符	return rune(p0&mask4)<<18 | rune(b1&maskx)<<12 | rune(b2&maskx)<<6 | rune(b3&maskx), 4}// 功能同 DecodeRune，只不过参数为字符串func DecodeRuneInString(s string) (r rune, size int) {	n := len(s)	if n < 1 {		return RuneError, 0	}	s0 := s[0]	x := first[s0]	if x >= as {		mask := rune(x) << 31 >> 31		return rune(s[0])&^mask | RuneError&mask, 1	}	sz := x & 7	accept := acceptRanges[x>>4]	if n < int(sz) {		return RuneError, 1	}	s1 := s[1]	if s1 < accept.lo || accept.hi < s1 {		return RuneError, 1	}	if sz == 2 {		return rune(s0&mask2)<<6 | rune(s1&maskx), 2	}	s2 := s[2]	if s2 < locb || hicb < s2 {		return RuneError, 1	}	if sz == 3 {		return rune(s0&mask3)<<12 | rune(s1&maskx)<<6 | rune(s2&maskx), 3	}	s3 := s[3]	if s3 < locb || hicb < s3 {		return RuneError, 1	}	return rune(s0&mask4)<<18 | rune(s1&maskx)<<12 | rune(s2&maskx)<<6 | rune(s3&maskx), 4}// 功能同 DecodeRune，只不过解码的是最后一个字符。func DecodeLastRune(p []byte) (r rune, size int) {	end := len(p)	if end == 0 {		return RuneError, 0	}	// 处理 p 的最后一个字节	start := end - 1	r = rune(p[start])	if r < RuneSelf { // 单字节字符直接返回		return r, 1	}	// 一次最多遍历 4 个字节，避免因无效 UTF8 编码造成的过度循环	lim := end - UTFMax	if lim < 0 {		lim = 0	}	// 按字节反向遍历	for start--; start >= lim; start-- {		if RuneStart(p[start]) { // 遇到首字节编码即可			break		}	}	// 遍历完了也没遇到首字节，则解码整个 p	if start < 0 {		start = 0	}	r, size = DecodeRune(p[start:end])	// 遇到无效编码，则只将最后一个字节解码为 RuneError	if start+size != end {		return RuneError, 1	}	// 解码成功	return r, size}// 功能同 DecodeLastRune，只不过参数为字符串func DecodeLastRuneInString(s string) (r rune, size int) {	end := len(s)	if end == 0 {		return RuneError, 0	}	start := end - 1	r = rune(s[start])	if r < RuneSelf {		return r, 1	}	lim := end - UTFMax	if lim < 0 {		lim = 0	}	for start--; start >= lim; start-- {		if RuneStart(s[start]) {			break		}	}	if start < 0 {		start = 0	}	r, size = DecodeRuneInString(s[start:end])	if start+size != end {		return RuneError, 1	}	return r, size}// RuneLen 返回 r 的 UTF-8 编码所占用的字节数。// 如果 r 不是一个有效的值（代理区或超出范围），则返回 -1。func RuneLen(r rune) int {	switch {	case r < 0: // 超出范围		return -1	case r <= rune1Max: // 单字节字符范围		return 1	case r <= rune2Max: // 双字节字符范围		return 2	case surrogateMin <= r && r <= surrogateMax: // 代理区范围		return -1	case r <= rune3Max: // 三字节字符范围		return 3	case r <= MaxRune: // 四字节字符范围		return 4	}	return -1 // 超出范围}// EncodeRune 将 r 编码为 UTF-8 序列，结果写入 p 中（p 必须足够长，一般为 4）// 返回写入的字节数func EncodeRune(p []byte, r rune) int {	// 负数是错误的，将其转换为无符号数，以使其超出范围，进而处理掉这个错误。	switch i := uint32(r); {	case i <= rune1Max: // 单字节字符		p[0] = byte(r)		return 1	case i <= rune2Max: // 双字节字符		p[0] = t2 | byte(r>>6)		p[1] = tx | byte(r)&maskx		return 2	// 超出范围或代理区字符	case i > MaxRune, surrogateMin <= i && i <= surrogateMax:		r = RuneError		fallthrough	case i <= rune3Max: // 三字节字符		p[0] = t3 | byte(r>>12)		p[1] = tx | byte(r>>6)&maskx		p[2] = tx | byte(r)&maskx		return 3	default: // 四字节字符		p[0] = t4 | byte(r>>18)		p[1] = tx | byte(r>>12)&maskx		p[2] = tx | byte(r>>6)&maskx		p[3] = tx | byte(r)&maskx		return 4	}}// RuneCount 返回 p 中的字符数（不是字节数）// 错误的和长度无效的编码中的每一个字节都会被当做一个字符处理。// RuneError 被视为一个字符func RuneCount(p []byte) int {	np := len(p)	var n int	for i := 0; i < np; {		n++		c := p[i]		if c < RuneSelf {			i++ // 单字节字符			continue		}		// 查表判断首字节的有效性		x := first[c]		if x == xx {			i++ // 首字节无效，字节当做一个字符处理			continue		}		// 首字节有效		size := int(x & 7)		if i+size > np {			i++ // 但长度不足，字节当做一个字符处理			continue		}		// 首字节有效，长度也够，判断后续字节的有效性		accept := acceptRanges[x>>4]		if c := p[i+1]; c < accept.lo || accept.hi < c { // 次字节无效			size = 1		} else if size == 2 { // 次字节有效，长度刚好为 2		} else if c := p[i+2]; c < locb || hicb < c { // 第三字节无效			size = 1		} else if size == 3 { // 第三字节也有效，长度刚好为 3		} else if c := p[i+3]; c < locb || hicb < c { // 第四字节无效			size = 1		} // 第四字节也有效，长度不是 1、2、3，肯定为 4（size == 4）		i += size	}	return n}// 功能同 RuneCount，只不过参数为字符串func RuneCountInString(s string) (n int) {	ns := len(s)	for i := 0; i < ns; n++ {		c := s[i]		if c < RuneSelf {			i++			continue		}		x := first[c]		if x == xx {			i++			continue		}		size := int(x & 7)		if i+size > ns {			i++			continue		}		accept := acceptRanges[x>>4]		if c := s[i+1]; c < accept.lo || accept.hi < c {			size = 1		} else if size == 2 {		} else if c := s[i+2]; c < locb || hicb < c {			size = 1		} else if size == 3 {		} else if c := s[i+3]; c < locb || hicb < c {			size = 1		}		i += size	}	return n}// RuneStart 判断 b 是否为 UTF-8 字符编码的首字节（有可能是无效字节）。// UTF-8 编码的后续字节的二进制位都是以 10 开始的。func RuneStart(b byte) bool { return b&0xC0 != 0x80 }// Valid 判断 p 是否完全由有效的 UTF-8 编码组成。func Valid(p []byte) bool {	// 代码同 RuneCount 类似	n := len(p)	for i := 0; i < n; {		pi := p[i]		if pi < RuneSelf {			i++			continue		}		x := first[pi]		if x == xx {			return false		}		size := int(x & 7)		if i+size > n {			return false		}		accept := acceptRanges[x>>4]		if c := p[i+1]; c < accept.lo || accept.hi < c {			return false		} else if size == 2 {		} else if c := p[i+2]; c < locb || hicb < c {			return false		} else if size == 3 {		} else if c := p[i+3]; c < locb || hicb < c {			return false		}		i += size	}	return true}// 功能同 Valid，只不过参数为字符串func ValidString(s string) bool {	n := len(s)	for i := 0; i < n; {		si := s[i]		if si < RuneSelf {			i++			continue		}		x := first[si]		if x == xx {			return false		}		size := int(x & 7)		if i+size > n {			return false		}		accept := acceptRanges[x>>4]		if c := s[i+1]; c < accept.lo || accept.hi < c {			return false		} else if size == 2 {		} else if c := s[i+2]; c < locb || hicb < c {			return false		} else if size == 3 {		} else if c := s[i+3]; c < locb || hicb < c {			return false		}		i += size	}	return true}// ValidRune 判断 r 是否可以被编码成 UTF-8 序列。// 代理区字符或超出范围则返回 false。func ValidRune(r rune) bool {	switch {	case r < 0: // 超出范围		return false	case surrogateMin <= r && r <= surrogateMax: // 代理区字符		return false	case r > MaxRune: // 超出范围		return false	}	return true}

标准库 - unicode/utf8/utf8.go 解读