Народ, подскажите зачем в стандарте UTF-8 выбрали такой причцдливый способ кодирования байтов:

0XXXXXXX - для символа длинной однин байта
110XXXXX 10XXXXXX - для символа длинной два байта
1110XXXX 10XXXXXX 10XXXXXX - для символа длинной три байта
11110XXX 10XXXXXX 10XXXXXX 10XXXXXX - для символа длинной четыре байта
111110XX 10XXXXXX 10XXXXXX 10XXXXXX 10XXXXXX - для символа длинной пять байт
1111110X 10XXXXXX 10XXXXXX 10XXXXXX 10XXXXXX 10XXXXXX - для символа длинной шесть байт

Здравствуйте, Cynic, Вы писали:

C>Народ, подскажите зачем в стандарте UTF-8 выбрали такой причцдливый способ кодирования байтов:

ИМХО:
1. Совместимость с ASCII.
2. Можно найти начало символа начиная с любого места в файле, не анализируя последовательность байтов с начала файла.

а при чем тут форум дот нет?

Здравствуйте, Cynic, Вы писали:

C>Народ, подскажите зачем в стандарте UTF-8 выбрали такой причцдливый способ кодирования байтов:


Как бонус — наиболее частые символы будут занимать меньше места

1.Наиболее частые символы пакуются одним символом
2.Потокавая синхронизация, то есть старт символа = символ без 10.. в начале.

на первом месте конечно то что ASCII(-7) строка является утф-8 строкой. И то что аски-подстроки можно искать обычным побайтовым поиском.

Здравствуйте, Cynic, Вы писали:

Ну, таки во-первых, переменная длина. По сравнению с шестью байтами на символ -- экономия размера.

И про что явно не сказали: при порче одного байта портится один символ: представь себе, например, что из потока двухбайтных символов вырезаем один байт. Естественно, начиная с этого символа и до конца ВСЁ потеряно. Тут вырезаем байт -- теряем символ, дальше восстанавливаемся...