UTF-8をワード単位で数える

UTF-8の構造

必ず、多バイトの中の先頭が分かる仕掛け

00～7F であれば、1バイト形式の先頭

C2～DF であれば、2バイト形式の先頭

E0～EF であれば、3バイト形式の先頭

F0～F4 であれば、4バイト形式の先頭

80～BF であれば、途中

F5～FF であれば、不正 (以前は5バイト、6バイト形式のためだったが使わない事が決定された)

より小さいバイト数で表現できる場合は不正となる。

先にバリデーションをしておく必要がある。壊れているオクテット列を解釈してはならない。