UTF-8可表示1112064个字符的正确计算逻辑是什么？

1112064这个数值和是否排除Emoji没有任何关系，你算出2164864的核心偏差是：只按编码长度的有效位算出了UTF-8的理论最大编码容量，没有扣除规范里明确禁止的非法编码值。

UTF-8除了每个长度的固定前缀、有效位数量要求外，还有三个强制合法性约束，违反约束的编码都是无效的，不能用来映射字符：

• 禁止过长编码：同一个码点必须用最短的合法字节长度表示，比如ASCII字符如果编成2/3/4字节长度就属于非法
• 禁止编码UTF-16代理对区间码位：U+D800 ~ U+DFFF 是Unicode预留给UTF-16代理对的永久保留位，永远不会分配字符，UTF-8不允许编码这部分值
• 禁止编码超过Unicode上限的值：Unicode定义的最大合法码点为U+10FFFF，超过这个值的编码全为非法

逐段计算合法编码数量 #

按编码长度分别统计合法值，最后求和就能得到1112064的结果：

• 1字节编码：有效位7位，对应码点范围U+0000~U+007F，共2^7=128个，全部合法，无需要扣除的值。
• 2字节编码：有效位共11位，理论容量2^11=2048。这里需要扣除128个过长编码（对应U+0000_{`U+007F`，这部分本该用1字节表示），最终合法数量为`2048-128=1920`，对应码点范围`U+0080`}U+07FF。
• 3字节编码：有效位共16位，理论容量2^16=65536。这里需要扣除两部分非法值：一是2048个过长编码（对应U+0000_{`U+07FF`，本该用1/2字节表示），二是2048个代理对保留码位（`U+D800`}U+DFFF），最终合法数量为65536-2048-2048=61440，对应码点范围U+0800~U+FFFF（剔除代理对区间）。
• 4字节编码：有效位共21位，理论容量2^21=2097152。这里需要扣除两部分非法值：一是65536个过长编码（对应U+0000_{`U+FFFF`，本该用1/2/3字节表示），二是983040个超过Unicode最大码点`U+10FFFF`的无效值，最终合法数量为`2097152-65536-983040=1048576`，对应码点范围`U+10000`}U+10FFFF。

最终求和 #

把四个长度的合法编码数加总：
128 + 1920 + 61440 + 1048576 = 1112064

关于Emoji的补充说明 #

这个数值是严格符合规范的UTF-8能表示的所有Unicode码点总数，和是否排除Emoji无关。目前已分配的Emoji全部位于合法码点区间内（绝大多数在4字节编码的U+1F000及以上区段），本身就被包含在1112064的统计范围内。这个数字既不区分码点是否已经分配字符，也不区分字符类型是文字、符号还是Emoji。

内容的提问来源于stack exchange，提问作者Hasnat Pie