文字éがUTF-8で0xC3 0xA9としてエンコードされているのはなぜですか？

Question

文字にéを書き込んで、16進エディタで開くと、0xC3,0xA9バイトが表示されます。

ウィキペディアから、最初のバイトは先頭バイトと呼ばれ、2番目のバイトは末尾バイトと呼ばれます。 0xC3これは1バイトの0xA9でエンコードされた文字がéのユニコード値が0xE9であることを意味するメタデータバイトです。

私は基本的になぜéが0xE9ではなく0xA9でエンコードされているのか知りたいと思っています。テキストエディタは0xC3A9から0xE9にどのように変換されますか？どんなシフト操作ですか？

Answer 1

あなたは0xC3が「メタデータバイト」だと思いますか？

UTF-8のすべてのバイトには、コード化されたコードポイントに関する関連情報が含まれています。

UTF-8でエンコードされたコードポイントの最初のバイトは、実際の^（*）と最初の数ビットのコードポイントを符号化するために使用されるバイトの総数を示すマーカー（先行1の数）が含まれコードポイント。末尾のすべてのバイトには、「継続マーカー」（ビット10）とコード化されたコードポイントの6ビットが含まれます。

UTF-8に関するWikipediaの記事はa pretty good description of the processです。

直接コードポイント値を使用して符号化あり：UTF-32（別名UCS-4）は、基本的（*）

^{「を32ビット値としてコードポイント値を使用する」マーカーが実際にされています非常に簡単です：バイトが始まる場合（つまり、最上位ビットが0の場合）、それはシングルバイトエンコーディングです（つまり0から127までのコードポイント）。 10で始まる場合、それは継続バイトです。 110、1110または11110の場合は、それぞれ2バイト、3バイトまたは4バイトシーケンスの開始です。 111110と1111110も同様に定義されていましたが、現代のUTF-8では有効ではなくなりました（Unicode標準では決して使用されないことが保証されている値をエンコードするためにのみ必要です）。}