UTF-8详解

UTF-8是一种变长字节的编码方式，它以8位（1字节）为单位对Unicode进行编码。UTF-8理论上最多可以达到6字节长，但目前全世界的字符只需要4字节就可以表示完。

UTF-8规定，对于某一字符的UTF-8编码，如果只有一个字节则其最高位为0；如果是多字节，则其第一字节的开头由N位连续的1加一位0组成，其他字节开头以“10”开头，剩余字节将Unicode的二进制表示从左向右填充。首字节连续的1的个数表示字符编码所需的字节数。如下所示，

Unicode	UTF-8
00 00 ~ 00 7F	0xxxxxxx
00 80 ~ 07 FF	110xxxxx 10xxxxxx
08 00 ~ FF FF	1110xxxx 10xxxxxx 10xxxxxx
1 00 00 ~ 1F FF FF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
20 00 00 ~ 3 FF FF FF	111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
400 00 00 ~ 7F FF FF FF	1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

如上表所示，汉字“文”的Unicode编码为0x6587，在0800~FFFF之间，所以UTF-8需要用3字节（1110xxxx 10xxxxxx 10xxxxxx）来表示，x使用0x6587的二进制表示来填充。最终，"文"的UTF-8编码为 11100110 10010110 10000111。

UTF-8兼容ASCII。

UTF-8中英文通常占3个字节。

P.S. PHP代码示例

Unicode转为UTF-8

UTF-8转为Unicode