UTF-8 code page

参考资料：http://zh.wikipedia.org/wiki/UTF-8

UTF-8是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。

UTF-8编码规律：

Char. number range  |       UTF-8 octet sequence

     (hexadecimal)    |              (binary)

  --------------------+---------------------------------------------

  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

  0020 0000-03FF FFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

  0400 0000 -7FFF FFFF| 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx10xxxxxx

编码规律：

（1）对于ASCII字符的编码使用一个字节进行编码，最高位为0.

（2）大于ASCII码的，就会有上面的第一字节的前几位表示该unicode字符的长度，比如110xxxxx,前三位告诉我们这是个2Byte的UNICODE字符；1110xxxx是个3Byte的unicode字符，依次类推；剩余字节的最高两位都为10；

（3）X位的填充，按照字符的unicode编码格式，从最低位开始依次往上填充，缺省的以0填充。

注：2003年11月UTF-8被RTF3629重新规范，只能使用原来Unicode定义的区域，U+0000到U+10FFFF。根据这些规范，以下字节值将无法出现在合法UTF-8串行中：

编码（二进制）	编码（十六进制）	注释
1100000x	C0, C1	过长编码：双字节串行的头字节，但码点<= 127
1111111x	FE, FF	无法达到：7或8字节串行的头字节
111110xx 1111110x	F8, F9, FA, FB, FC, FD	被RFC 3629规范：5或6字节串行的头字节
11110101 1111011x	F5, F6, F7	被RFC 3629规范：码点超过10FFFF的头字节