为什么 HTML 对 2 字节和 3 字节字符的处理相同，而对 4 字节字符则不同？

Question

我正在为网站做一些 GUI 工作，并对某些文本输入使用“maxlength”属性，其中一些可能包含 Unicode 字符。

假设我有一个 maxlength = 50 的文本字段，我用 2 字节 Unicode 字符 (UTF-16) 填充它。我可以在文本字段中获得 50 个字符。

我也可以对 3 字节字符执行相同的操作。其中 50 个。

但是，我只能在该字段中获得 25 个 4 字节字符。按理说，既然是字节数的两倍，但是为什么在使用3字节字符时它仍然正常响应？额外的字节是如何处理的？

Answer 1

Unicode 字符通常可以编码为 UTF-8、UTF-16 或 UTF-32（请参阅他们的常见问题解答）。您对 2、3 和 4 字节字符的使用告诉我您是从 UTF-8 的角度工作的。

但是， maxlength 属性定义为 UTF-16 代码单元的最大数量，而不是字节数。每个 UTF-16 代码单元是两个字节。

一个 2 字节的 UTF-8 字符将是单个 UTF-16 代码单元。一个 3 字节的 UTF-8 字符也将是一个 UTF-16 代码单元。但是，一个 4 字节的 UTF-8 字符表示大于 0xFFFF 的 Unicode 字符。UTF-16 将此表示为两个代码单元（称为代理对，请参阅上面链接的常见问题解答）。