字符编码的演变：UTF-8中文占几个字节

  先从字符编码讲起。 

一、美国人首先对其英文字符进行了编码，也就是最先的ascii码，用一个字节的低7位来表示英文的128个字符，高1位统一为0； 

 

二、后来欧洲人发现尼玛你这128位哪够用，好比我高贵的法国人字母上面的还有注音符，这个怎么区分，得，把高1位编进来吧，这样欧洲广泛使用一个全字节进行编码，最多可表示256位。欧美人就是喜欢直来直去，字符少，编码用得位数少； 

 

三、可是即便位数少，不一样国家地区用不一样的字符编码，虽然0--127表示的符号是同样的，可是128--255这一段的解释彻底乱套了，即便2进制彻底同样，表示的字符彻底不同，好比135在法语，希伯来语，俄语编码中彻底是不一样的符号； 

 

四、更麻烦的是，尼玛这电脑高科技传到中国后，中国人发现咱们有10万多个汉字，大家欧美这256字塞牙缝都不够。因而就发明了GB2312这些汉字编码，典型的用2个字节来表示绝大部分的经常使用汉字，最多能够表示65536个汉字字符，这样就不难理解有些汉字你在新华字典里查获得，可是电脑上若是不处理一下你是显示不出来的了吧。 

 

五、这下各用各的字符集编码，这世界咋统一？俄国人发封email给中国人，两边字符集编码不一样，尼玛显示都是乱码啊。为了统一，因而就发明了unicode，将世界上全部的符号都归入其中，每个符号都给予一个独一无二的编码，如今unicode能够容纳100多万个符号，每一个符号的编码都不同，这下可统一了，全部语言均可以互通，一个网页页面里能够同时显示各国文字。 

 

六、然而，unicode虽然统一了全世界字符的二进制编码，但没有规定如何存储啊，亲。x86和amd体系结构的电脑小端序和大端序都分不清，别提计算机如何识别究竟是unicode仍是acsii了。若是Unicode统一规定，每一个符号用三个或四个字节表示，那么每一个英文字母前都必然有二到三个字节是0，文本文件的大小会所以大出二三倍，这对于存储来讲是极大的浪费。这样致使一个后果：出现了Unicode的多种存储方式。 

 

七、互联网的兴起，网页上要显示各类字符，必须统一啊，亲。utf-8就是Unicode最重要的实现方式之一。另外还有utf-1六、utf-32等。UTF-8不是固定字长编码的，而是一种变长的编码方式。它可使用1~4个字节表示一个符号，根据不一样的符号而变化字节长度。这是种比较巧妙的设计，若是一个字节的第一位是0，则这个字节单独就是一个字符；若是第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。 

 

八、注意unicode的字符编码和utf-8的存储编码表示是不一样的，例如"严"字的Unicode码是4E25，UTF-8编码是E4B8A5，这个7里面解释了的，UTF-8编码不只考虑了编码，还考虑了存储，E4B8A5是在存储识别编码的基础上塞进了4E25。 

 

九、UTF-8 使用一至四个字节为每一个字符编码。128 个 ASCII 字符（Unicode 范围由 U+0000 至 U+007F）只需一个字节，带有变音符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及马尔代夫语（Unicode 范围由 U+0080 至 U+07FF）须要二个字节，其余基本多文种平面（BMP）中的字符（CJK属于此类-Qieqie注）使用三个字节，其余 Unicode 辅助平面的字符使用四字节编码。  

 

十、最后，要回答你的问题，常规来看，中文汉字在utf-8中到底占几个字节，通常是3个字节，最多见的编码方式是1110xxxx 10xxxxxx 10xxxxxx。

 

转自：http://blog.csdn.net/kaida1234/article/details/49515385