目錄：

一. UTF-8編碼規(guī)則
1.1 UTF-8簡單描述
1.2 UTF-8的中文字符編碼如何生成
二宾茂、lua 獲取UTF-8字符串長度（含中文）
2.1 lua判斷字符是不是中文
2.2 如何取得字節(jié)ASCII碼 - string.byte()
2.3 字符是由幾個字節(jié)組成
2.4 獲取UTF-8字符串長度（含示例）

一性含、UTF-8編碼規(guī)則

1.1 UTF-8簡單描述

UTF-8 是 Unicode 的實現(xiàn)方式之一长捧，其對應(yīng)關(guān)系（編碼規(guī)則）如下表所示：

Unicode 可以容納100多萬個符號

UTF-8 最大的一個特點成玫，就是它是一種變長的編碼方式萍歉。它可以使用1~4個字節(jié)表示一個符號磕道，根據(jù)不同的符號而變化字節(jié)長度膀哲。

1. 對于單字節(jié)的符號损拢，字節(jié)的第一位設(shè)為0陌粹，后面7位為這個符號的 Unicode 碼。取值0-127福压，與標(biāo)準(zhǔn)ASCII 碼一一對應(yīng)掏秩。標(biāo)準(zhǔn)ASCII 碼表見附錄。
2. 對于n字節(jié)的符號（n > 1）荆姆，第一個字節(jié)的前n位都設(shè)為1蒙幻，第n + 1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10胆筒。剩下的沒有提及的二進(jìn)制位邮破，全部為這個符號的 Unicode 碼诈豌。

1.2 UTF-8的中文字符編碼如何生成

例如 將中,龍兩個字從Unicode轉(zhuǎn)換為UTF-8：

1. 中 : Unicode 是 0x4E2D(0100 1110 0010 1101),根據(jù)上表，處于第三行范圍內(nèi)抒和，UTF-8編碼需要三個字節(jié)矫渔，格式為 1110xxxx 10xxxxxx 10xxxxxx。
   將中的Unicode 二進(jìn)制填充進(jìn)這個格式摧莽，得到 11100100 10111000 10101101庙洼，轉(zhuǎn)換為十進(jìn)制是 228，184镊辕，173
print(string.char(228,184,173)) => 中
2. 龍 : Unicode 是 0x9F99 (1001 1111 1001 1001) 油够，同樣處于第三行范圍內(nèi)。
   UTF-8編碼為11101001 10111110 10011001(233征懈，190石咬，153)
   print(string.char(233,190,153)) => 龍

input.png

out.png

漢字Unicode碼從漢字對應(yīng)表中查找

二、lua 獲取UTF-8字符串長度（含中文）

到這里受裹，已經(jīng)知道UTF-8的字符碌补、中文是怎么生成的了，又出現(xiàn)了2個疑問：

1. 在lua中怎么判斷一個字符是不是中文棉饶？
2. 這個字符是由幾個字節(jié)組成厦章？

2.1 lua判斷字符是不是中文

通常來說，漢字范圍從0x4E00到0x9FA5照藻，轉(zhuǎn)換為UTF-8編碼為11100100 10111000 10000000(228, 184, 128) 到 11101001 10111110 10100101(233, 190, 165)
因此袜啃，中文UTF-8編碼用3個字節(jié)表示，要遵守格式：1110xxxx 10xxxxxx 10xxxxxx
即第一個字節(jié)的取值區(qū)間為 [11100000, 11110000) = [0xe0, 0xf0) = [224, 240) 左開右閉
后兩個字節(jié)的取值區(qū)間為[10000000, 10111111] = [0x80幸缕，0xbf] = [128, 191] 開區(qū)間

2.2 如何取得字節(jié)ASCII碼 - string.byte()

string.byte()

• 原型：string.byte (s [, i [, j] ])
• 解釋：函數(shù)返回字符s[i], s[i+1], ···, s[j]的內(nèi)部數(shù)字編碼(ASCII碼)群发，其中參數(shù)i的默認(rèn)值是1，而參數(shù)j的默認(rèn)值是i发乔。

2.3 字符是由幾個字節(jié)組成

讀取第一個字節(jié)熟妓，在以下區(qū)間的代表不同的字節(jié)數(shù)：（有疑問看1.1表）

1. [0, 0xc0) 表示這個字符僅由1個字節(jié)構(gòu)成
2. [0xc0, 0xe0) 表示這個字符由2個字節(jié)構(gòu)成
3. [0xe0, 0xf0) 表示這個字符由3個字節(jié)構(gòu)成
4. [0xf0, 0xff) 表示這個字符由4個字節(jié)構(gòu)成

local function Bytes4Character(theByte)
    local seperate = {0, 0xc0, 0xe0, 0xf0}
    for i = #seperate, 1, -1 do
        if theByte >= seperate[i] then return i end
    end
    return 1
end

2.4 獲取UTF-8字符串長度

function characters(utf8Str, aChineseCharBytes)
    aChineseCharBytes = aChineseCharBytes or 2
    local i = 1
    local characterSum = 0
    while (i <= #utf8Str) do      -- 編碼的關(guān)系
        local bytes4Character = Bytes4Character(string.byte(utf8Str, i))
        characterSum = characterSum + (bytes4Character > aChineseCharBytes and aChineseCharBytes or bytes4Character)
        i = i + bytes4Character
    end

    return characterSum
end

示例： UTF-8字符串：我們We，

1. 每一個中文算一個字符 characters("我們We", 1)
   

   示例1-代碼運行.png

2. 游戲中希望把一個漢字當(dāng)做2個字節(jié)處理characters("我們We", 2)（因為1個漢字的寬度和2個字母相仿）

示例-代碼運行.png

附錄

標(biāo)準(zhǔn)ascii碼表.jpg

參考

1. 阮一峰-字符編碼筆記：ASCII栏尚，Unicode 和 UTF-8
2. 漢字對應(yīng)表
3. lua匹配UTF-8中文漢字