Calculate the number of UTF8 characters

字符(char)与字节(byte)的语义差别

python中要计算str包含多少个字符，可以用len()函数：

$ len('ABC')
3
$ len('中文')
2

len()函数计算的是str的字符数，如果换成bytes，len()函数就计算字节数：

$ len(b'ABC')
3
$ len(b'\xe4\xb8\xad\xe6\x96\x87')
6
$ len('中文'.encode('utf-8'))
6

可见，1个中文字符经过UTF-8编码后通常会占用3个字节，而1个英文字符只占用1个字节。

在操作字符串时，常遇到char和bytes的互相转换。为了避免乱码，应当始终坚持使用UTF-8编码对str和bytes进行转换。

ASCII 与UTF-8

ASCII

美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一共规定了128个字符的编码，比如空格”SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

The first 32 of ASCII character table are non-printing characters.

Extended ASCII Codes

UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 (十六进制) | UTF-8编码方式（二进制）
——————–+—————-+—————————–
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

以汉字”严”为例，演示如何实现UTF-8编码。

已知”严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此”严”的UTF-8编码需要三个字节，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然后，从”严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，”严”的UTF-8编码是”11100100 10111000 10100101”，转换成十六进制就是E4B8A5。

以UTF-8编码方式计算字符串中的字符数

int CalcUTF8Chars(const std::string& S)
{
    int Count = 0;
    if (S.empty()) 
        return 0;
    //S.length(),returns the length of the string, in terms of bytes.
    for (size_t i = 0; i != S.length(); i++){
       if ((S[i] & 0xC0) != 0x80) { 
            Count++; 
        }
    }
    return Count;
}

Calculate the number of UTF8 characters ，这个函数在含有Emogi(字符表情)的字符串，存入数组等情况有用处。