示例无效的 utf8 字符串？

看看Markus Kuhn's UTF-8 decoder capability and stress test file

您会发现许多 UTF-8 不规则性的示例，包括单独的起始字节、缺少连续字节、超长序列等。

在 PHP 中：

$examples = array(
    'Valid ASCII' => "a",
    'Valid 2 Octet Sequence' => "\xc3\xb1",
    'Invalid 2 Octet Sequence' => "\xc3\x28",
    'Invalid Sequence Identifier' => "\xa0\xa1",
    'Valid 3 Octet Sequence' => "\xe2\x82\xa1",
    'Invalid 3 Octet Sequence (in 2nd Octet)' => "\xe2\x28\xa1",
    'Invalid 3 Octet Sequence (in 3rd Octet)' => "\xe2\x82\x28",
    'Valid 4 Octet Sequence' => "\xf0\x90\x8c\xbc",
    'Invalid 4 Octet Sequence (in 2nd Octet)' => "\xf0\x28\x8c\xbc",
    'Invalid 4 Octet Sequence (in 3rd Octet)' => "\xf0\x90\x28\xbc",
    'Invalid 4 Octet Sequence (in 4th Octet)' => "\xf0\x28\x8c\x28",
    'Valid 5 Octet Sequence (but not Unicode!)' => "\xf8\xa1\xa1\xa1\xa1",
    'Valid 6 Octet Sequence (but not Unicode!)' => "\xfc\xa1\xa1\xa1\xa1\xa1",
);

来自http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php#54805

格式错误的字节序列模式的概念可以从格式良好的字节序列表中得到。请参阅 Unicode 标准 6.2 中的“Table 3-7. Well-Formed UTF-8 Byte Sequences”。

    Code Points    First Byte Second Byte Third Byte Fourth Byte
  U+0000 -   U+007F   00 - 7F
  U+0080 -   U+07FF   C2 - DF    80 - BF
  U+0800 -   U+0FFF   E0         A0 - BF     80 - BF
  U+1000 -   U+CFFF   E1 - EC    80 - BF     80 - BF
  U+D000 -   U+D7FF   ED         80 - 9F     80 - BF
  U+E000 -   U+FFFF   EE - EF    80 - BF     80 - BF
 U+10000 -  U+3FFFF   F0         90 - BF     80 - BF    80 - BF
 U+40000 -  U+FFFFF   F1 - F3    80 - BF     80 - BF    80 - BF
U+100000 - U+10FFFF   F4         80 - 8F     80 - BF    80 - BF

以下是从 U+24B62 生成的示例。我将它们用于错误报告：Bug #65045 mb_convert_encoding breaks well-formed character

// U+24B62: "\xF0\xA4\xAD\xA2"
"\xF0\xA4\xAD"    ."\xF0\xA4\xAD\xA2"."\xF0\xA4\xAD\xA2"
"\xF0\xA4\xAD\xA2"."\xF0\xA4\xAD\xA2"."\xF0\xA4\xAD"

在各种库中可以看到尾随字节（[0x80，0xBF]）范围的过度简化。

// U+0800 - U+0FFF
\xE0\x80\x80

// U+D000 - U+D7FF
\xED\xBF\xBF

// U+10000 -  U+3FFFF
\xF0\x80\x80\x80

// U+100000 - U+10FFFF
\xF4\xBF\xBF\xBF

,̆ 特别邪恶。我认为它在 ubuntu 上结合在一起。

逗号短

这可能不是 OP 所要求的，但它有点相关：

如果您碰巧已经有字节条例值 (0 - 255) 并且想知道字节#是否是有效的 UTF-8 起始字节，我想出了这个返回 1 (true) 或 0 (false) 的奇怪统一公式：

function newUTF8start(__) {  

   return 118^(+__< 194) < (246-__)  }

模糊测试 - 生成随机的八位字节序列。很可能你迟早会得到一些非法序列。