考一考你：如何计算UTF-8文本文件里有多少字符？

UTF-8字符最短1字节，最长4字节。

如何计算？如果排序不对，又如何检测出来呢？

不太懂啊，楼主揭晓答案吧

蓝莓糖 发表于 2022-2-2 11:23
不太懂啊，楼主揭晓答案吧

没问题，先简单叙述一下：

4字节的UTF-8都是以1111 xxxx 开始的
3字节的UTF-8是以1110 xxxx 开始的
2字节的UTF-8是以1100 xxxx 开始的
1字节的UTF-8(也就是ASCII）是以0开始的，如01111 1111.
只剩下10xx xxxx，也就是Continuation Byte，是那些2~4字节后面的组成成分。

这么一来，这个方程式就一目了然，如：

if code>=011110000b then
        goto _4byte
else if code>=011100000b then
        goto _3byte
else if code>=011000000b then
        goto _2byte
else if code<=01111111b then
        goto _1byte
else
         // it is continuation byte, ignore it

1.      cmp     dl, 011110000b
   
2.      jae     _4byte
   
3.      cmp    dl, 011100000b
   
4.      jae      _3byte
   
5.      cmp    dl, 011000000b
   
6.      jae      _2byte
   
7.      cmp     dl, 001111111b
   
8.      jbe     _1byte
   
9.      
   
10.    ;the others are continuation byte, don't count

复制代码

0x28+0xD=53字节，比在线的显示结果(52字节)多了一个字节，那是因为文本文件结尾多了一个0xA(换行符）。

ganbatte是什么意思，为什么下边有红色的波浪线？

蓝莓糖 发表于 2022-2-2 11:56
ganbatte是什么意思，为什么下边有红色的波浪线？

下面有红线是因为浏览器检查英文拼音时认为ganbatte是错别字(Spell checker).

Ganbatte是日语里“加油”的意思。

Starrry 发表于 2022-2-2 11:58
下面有红线是因为浏览器检查英文拼音时认为ganbatte是错别字(Spell checker).

Ganbatte是日语里“加油” ...

原来是这样，日语还能用英文字母表达

长知识了

simonzhd 发表于 2022-2-2 22:58
长知识了

替你开心，是应该普及UTF-8的知识的。