utf-8 - UTF-8中的代理字符是什么？

Question

我有一个奇怪的验证程序，用于验证utf-8字符串是否是有效的主机名(PHP中的Zend Framework主机名valdiator)。它允许IDN(国际化域名)。它将比较每个子域与由其十六进制字节表示形式定义的字符集。两个这样的集合是D800-DB7F和DC00-DFFF。在这些比较期间，称为preg_match的php正则表达式比较函数失败，它表示此函数中不允许DC00-DFFF字符。从维基百科，我了解到这些字节在UTF-8中称为代理字符。什么是thay，它们实际上对应于哪些字符？我在几个地方读过书，但我仍然不明白它们是什么。

Answer 1

What are surrogate characters in UTF-8?

这几乎就像一个技巧问题。

近似答案1:4个字节(如果已配对并以UTF-8编码)。

近似答案2:无效(如果未配对)。

大概答案3:不是UTF-8；它不是UTF-8。它是修改过的UTF-8。

简介:该术语不适用于UTF-8。

Unicode代码点的范围需要21位数据。

UTF-16代码单元为16位。 UTF-16将Unicode代码点的某些范围编码为一个代码单元，而另一些编码为成对的两个代码单元，第一个来自“高”范围，第二个来自“低”范围。 Unicode将与高和低对的范围匹配的代码点保留为无效。它们有时被称为代理人，但不是字符。他们自己没有任何意义。

UTF-8代码单元为8位。 UTF-8分别以一到四个代码单元对几个不同范围的代码点进行编码。

＃1碰巧UTF-16用两个16位代码单元编码，UTF-8用4个8位代码单元编码，反之亦然。

＃2您可以将UTF-8编码算法应用于无效的代码点，这是无效的。无法将它们解码为有效的代码点。符合条件的阅读器会抛出异常或抛出字节并插入替换字符(�)。

＃3 Java提供了一种通过名为JNI的系统在外部代码中实现功能的方法。 Java String API提供对String和char作为UTF-16代码单元的访问。为了方便起见，在JNI的某些位置，字符串值被修改为UTF-8。修改后的UTF-8是应用于UTF-16代码单元而不是Unicode代码点的UTF-8编码算法。

无论如何，字符编码的基本规则是使用用于写入的编码来读取。如果将字节的任何顺序视为文本，则必须知道编码；否则，您将丢失数据。