UTF-8 编码字符的最大字节数是多少？

根据将字符表限制为 U+10FFFF 的 RFC3629，每个字符的最大字节数为 4：

在 UTF-8 中，来自 U+0000..U+10FFFF 范围（UTF-16 可访问范围）的字符使用 1 到 4 个八位字节的序列进行编码。

（原始规范允许超过 U+10FFFF 的代码点最多使用 6 个字节的字符代码。）

代码小于 128 的字符只需要 1 个字节，接下来的 1920 个字符代码只需要 2 个字节。除非您使用深奥的语言，否则将字符数乘以 4 将是一个严重的高估。

---

如果没有进一步的上下文，我会说 UTF-8 中字符的最大字节数是

答案：6 个字节

接受答案的作者正确地将其指出为“原始规范”。这在 RFC-2279 1 中是有效的。正如 J. Cocoe 在下面的评论中指出的那样，这在 2003 年随着 RFC-3629 2 发生了变化，它将 UTF-8 限制为 21 位编码，这可以通过使用四个字节的编码方案来处理。

如果覆盖所有 unicode 则回答：4 个字节

但是，在 Java <= v7 中，他们谈到了用 UTF-8 表示 unicode 的最大 3 字节？这是因为最初的 unicode 规范只定义了基本的多语言平面 (BMP)，即它是 unicode 的旧版本，或现代 unicode 的子集。所以

如果仅代表原始 unicode，则回答 BMP：3 个字节

但是，OP谈到了另一种方式。不是从字符到 UTF-8 字节，而是从 UTF-8 字节到字节表示的“字符串”。也许接受答案的作者从问题的上下文中得到了这一点，但这并不一定很明显，因此可能会使这个问题的普通读者感到困惑。

从 UTF-8 到原生编码，我们必须看看“字符串”是如何实现的。一些语言，如 Python >= 3 将用整数代码点表示每个字符，这允许每个字符 4 个字节 = 32 位来覆盖我们需要的 21 个 unicode，但有一些浪费。为什么不完全是 21 位？因为当它们是字节对齐时，事情会更快。一些语言，如 Python <= 2 和 Java 使用 UTF-16 编码表示字符，这意味着它们必须使用代理对来表示扩展的 unicode（而不是 BMP）。无论哪种方式，这仍然是最大 4 个字节。

回答是否使用 UTF-8 -> 本机编码：4 个字节

所以，最后的结论是，4 是最常见的正确答案，所以我们做对了。但是，里程可能会有所不同。

---

支持 US-ASCII（一种标准的英文字母编码）的最大字节数为 1。但是随着时间的推移，将文本限制为英文变得越来越不理想或不实用。

Unicode 旨在表示所有人类语言的字形，以及多种符号，具有多种呈现特性。 UTF-8 是 Unicode 的一种有效编码，尽管仍然偏向于英语。 UTF-8 是自同步的：通过在任一方向上扫描明确定义的位模式，可以轻松识别字符边界。

虽然每个 UTF-8 字符的最大字节数为 3，仅支持平面 0 的 2 字节地址空间，基本多语言平面 (BMP)，在某些应用程序中可以接受为最小支持，但它是 4，用于支持所有 17 个当前 Unicode 平面（截至 2019 年）。需要注意的是，许多流行的“表情符号”字符很可能位于平面 16，这需要 4 个字节。

但是，这仅适用于基本字符字形。还有各种修饰符，例如使重音出现在前一个字符上，也可以将任意数量的代码点链接在一起以构造一个复杂的“字素”。因此，在现实世界的编程中，使用或假设每个字符的最大字节数是固定的，最终可能会给您的应用程序带来问题。

这些考虑意味着 UTF-8 字符串在处理之前不应“扩展”为固定长度的数组，就像有时所做的那样。相反，应该直接使用专为 UTF-8 设计的字符串函数进行编程。

---

仅考虑技术限制 - 按照当前的 UTF8 编码方案，最多可以有 7 个字节。根据它 - 如果第一个字节不是自给自足的 ASCII 字符，则它应该具有模式：1(n)0X(7-n)，其中 n <= 7。

理论上它也可以是 8，但是第一个字节根本没有零位。虽然其他方面，如与前导不同的连续字节，仍然存在（允许错误检测），但我听说字节 11111111 可能是无效的，但我不能确定这一点。

最大 4 字节的限制最有可能与 UTF-16 兼容，我倾向于认为这是一个遗留问题，因为它唯一擅长的质量是处理速度，但前提是字符串字节顺序匹配（即我们在 BOM 中读取 0xFEFF ）。

---