utf-8 编码介绍

Question

ASCII 码

计算机内部，所有信息最终都是一个二进制值

每一个二进制位（bit）有 0 和 1 两种状态，因此八个二进制位就可以组合出 256 种状态，这被称为一个字节

也就是说，一个字节一共可以用来表示 256 种不同的状态，每一个状态对应一个符号，就是 256 个符号，从 00000000 到 11111111 上个世纪 60 年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今

ASCII 码一共规定了 128 个字符的编码，比如空格 SPACE 是 32（二进制 00100000 ），大写的字母 A 是 65（二进制 01000001 ）。 这 128 个符号（包括 32 个不能打印出来的控制符号），只占用了一个字节的后面 7 位， 最前面的一位统一规定为 0 ::: tip 也就是说 ASCII 编码只用到了一个字节能表示的一半 :::

非 ASCII 编码

英语用 128 个符号编码就够了，但是用来表示其他语言，128 个符号是不够的。

欧洲

一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号，例如法语中的 é 的编码为 130（二进制 10000010 ） 这样一来，这些欧洲国家使用的编码体系，可以表示最多 256 个符号

其他国家

但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用 256 个符号的编码方式，代表的字母却不一样。比如，130 在法语编码中代表了 é ，在希伯来语编码中却代表了字母 Gimel ( ג )，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127 表示的符号是一样的，不一样的只是 128--255 的这一段。

汉字

汉字就多达 10 万左右。一个字节只能表示 256 种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。

Unicode

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字都表示的，这是一种所有符号的编码

Unicode 当然是一个很大的集合，现在的规模可以容纳 100 多万个符号。每个符号的编码都不一样，比如， U+0639 表示阿拉伯字母 Ain ， U+0041 表示英语的大写字母 A ， U+4E25 表示汉字 严 。具体的符号对应表，可以查询 unicode.org ，或者专门的 汉字对应表 。

需要注意的是，Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字 严 的 Unicode 是十六进制数 4E25 ，转换成二进制数足足有 15 位（ 100111000100101 ），也就是说，这个符号的表示至少需要 2 个字节。表示其他更大的符号，可能需要 3 个字节或者 4 个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别 Unicode 和 ASCII ？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是 0 ，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：1）出现了 Unicode 的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示 Unicode。2）Unicode 在很长一段时间内无法推广，直到互联网的出现。

UTF-8

UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点，就是它是一种长短可变的编码方式。它可以使用 1~4 个字节表示一个符号，根据不同的符号而变化字节长度。

规则只有两条:

• 对于单字节的符号，字节的第一位设为 0 ，后面 7 位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的
• 对于 n 字节的符号（ n > 1 ），第一个字节的前 n 位都设为 1 ，第 n + 1 位设为 0 ，后面字节的前两位一律设为 10 。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

Unicode 符号范围（十六进制)	UTF-8 编码方式（二进制)
0000 0000-0000 007F	0xxxxxxx 0000 0080-0000 07FF
110xxxxx 10xxxxxx 0000 0800-0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx（辅助平面）

严 的 Unicode 是 4E25（二进制：100111000100101），根据上表，可以发现 4E25 处在第三行的范围内（0000 0800 - 0000 FFFF）
因此 严 的 UTF-8 编码需要三个字节，即格式是 1110xxxx 10xxxxxx 10xxxxxx。然后，从 严 的最后一个二进制位开始，依次从后向前填入格式中的 x，多出的位补 0。这样就得到了， 严 的 UTF-8 编码是 11100100 10111000 10100101，转换成十六进制就是 E4B8A5