Unicodeの"あ”はU+3042なのに、utf-8ではどうして"e3 81 82"になるの?

文字コードの変換で少しはまったので、備忘録としてメモしておく。

疑問

UnicodeのあはU+3042だが、これをutf-8で表すとなぜ0xe3 0x81 0x82 (e3 81 82)になるのか?

U+3042の0x30 0x42は2進数で表すと、下記のビット列になる

3    0    4    2
0011 0000 0100 0010

ところで、unicode -> utf-8への変換ルールは下記の通りになっている。

U+0000 - U+007F : 1byte ( 0xxxxxxx)
U+0080 - U+07FF : 2byte ( 110xxxxx, 10xxxxxx )
U+0800 - U+FFFF : 3byte ( 1110xxxx, 10xxxxxx, 10xxxxxx )

U+3042は3byte文字の範囲に入るので、1110xxxx, 10xxxxxx, 10xxxxxxの変換ルールになる。

これを、先ほど２進数に変換した"あ"に当てはめる。(ビットの切れ目が変わっていることに注意)

1110xxxx, 10xxxxxx, 10xxxxxx
    0011    000001    000010

なので、下記のビット列になる。

11100011, 10000001, 10000010

これを16進数に戻すと以下の形になる。

1110 0011, 1000 0001, 1000 0010
e    3     8    1     8    2

なので、あのU+3042は、utf-8のエンコードで0xe38182になる。