UTF-8的编码单元是8位字节，每个码点编成1至4个字节。它的编码方式很简单，按照码点的范围，把码点的二进制位拆分成1至最多4个字节：
| 码点范围 | 码点位数 | 字节1 | 字节2 | 字节3 | 字节4 |
|---|---|---|---|---|---|
| U+0000~U+007F | 7 | 0xxxxxxx | |||
| U+0080~U+07FF | 11 | 110xxxxx | 10xxxxxx | ||
| U+0800~U+FFFF | 16 | 1110xxxx | 10xxxxxx | 10xxxxxx | |
| U+10000~U+10FFFF | 21 | 11110xxx | 10xxxxxx | 10xxxxxx | 10xxxxxx |
1000 0000 -> 80 1100 0000 -> C0 1110 0000 -> E0 1111 0000 -> F0
1111 1111 -> FF 0011 1111 -> 3F
e.g. U+20AC 0x0800 < 0x20AC < 0xFFFF 所以0x20AC有16位码点,编成三字节 0x20AC的二进制为 10 0000 1010 1100 需要16位，所以在前面补0，即 0010 0000 1010 1100 将其分成三组： 0010， 000010， 101100 加上前缀： 1110 0010, 1000 0010, 1010 1100 则得到 0xE2, 0x82, 0xAC
10 0000 1010 1100 » 12 -> 10 -> 0000 0010 0000 0010 & 1111 1111 -> 0000 0010 1110 0000 | 0000 0010 -> 1110 0010 -> 0xE2
10 0000 1010 1100 » 6 -> 1000 0010 1000 0010 & 0011 1111 -> 0000 0010 1000 0000 | 0000 0010 -> 1000 0010 -> 0x82
10 0000 1010 1100 & 00 0000 1111 1111 -> 00 0000 1010 1100 00 0000 1000 0000 | 00 0000 1010 1100 -> 1010 1100 -> 0xAC
代码表示(C):
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
// u <= 0x007F
PUTC(c, u & 0xFF);
// u <= 0x07FF
PUTC(c, 0xC0 | ((u >> 6) & 0xFF));
PUTC(c, 0x80 | (u & 0x3F);
// u <= 0xFFFF
PUTC(c, 0xE0 | ((u >> 12) & 0xFF));
PUTC(c, 0x80 | ((u >> 6) & 0x3F));
PUTC(c, 0x80 | (u & 0x3F));
// u <= 0x10FFFF
PUTC(c, 0xF0 | ((u >> 18) & 0xFF));
PUTC(c, 0x80 | ((u >> 12) & 0x3F));
PUTC(c, 0x80 | ((u >> 6) & 0x3F));
PUTC(c, 0x80 | (u & 0x3F));