- 上一篇：《新编高中文言文助读》
- 下一篇：2006年最佳政治漫画
分类：
字符编码笔记：ASCII，Unicode 和 UTF-8
作者： 阮一峰
日期： 2007年10月28日
今天中午，我突然想搞清楚 Unicode 和 UTF-8 之间的关系，就开始查资料。
这个问题比我想象的复杂，午饭后一直看到晚上9点，才算初步搞清楚。
下面就是我的笔记，主要用来整理自己的思路。我尽量写得通俗易懂，希望能对其他朋友有用。毕竟，字符编码是计算机技术的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。
一、ASCII 码
我们知道，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（byte）。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。
二、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。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，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。比如，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。
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。
至于亚洲国家的文字，使用的符号就更多了，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。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。
三. 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。
四、Unicode 的问题
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。
五、UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8 是 Unicode 的实现方式之一。
UTF-8 最大的一个特点，就是它是一种变长的编码方式。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。
UTF-8 的编码规则很简单，只有二条：
1）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。
2）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。
下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式 (十六进制) | （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
跟据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
下面，还是以汉字严为例，演示如何实现 UTF-8 编码。
严的 Unicode 是4E25（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。
六、Unicode 与 UTF-8 之间的转换
通过上一节的例子，可以看到严的 Unicode码 是4E25，UTF-8 编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。
Windows平台，有一个最简单的转化方法，就是使用内置的记事本小程序notepad.exe。打开文件后，点击文件菜单中的另存为命令，会跳出一个对话框，在最底部有一个编码的下拉条。
里面有四个选项：ANSI，Unicode，Unicode big endian和UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对 Windows 简体中文版，如果是繁体中文版会采用 Big5 码）。
2）Unicode编码这里指的是notepad.exe使用的 UCS-2 编码方式，即直接用两个字节存入字符的 Unicode 码，这个选项用的 little endian 格式。
3）Unicode big endian编码与上一个选项相对应。我在下一节会解释 little endian 和 big endian 的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。
七、Little endian 和 Big endian
上一节已经提到，UCS-2 格式可以存储 Unicode 码（码点不超过0xFFFF）。以汉字严为例，Unicode 码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，这就是 Big endian 方式；25在前，4E在后，这是 Little endian 方式。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-endian)敲开还是从小头(Little-endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。
第一个字节在前，就是"大头方式"（Big endian），第二个字节在前就是"小头方式"（Little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode 规范定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（zero width no-break space），用FEFF表示。这正好是两个字节，而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。
八、实例
下面，举一个实例。
打开"记事本"程序notepad.exe，新建一个文本文件，内容就是一个严字，依次采用ANSI，Unicode，Unicode big endian和UTF-8编码方式保存。
然后，用文本编辑软件UltraEdit 中的"十六进制功能"，观察该文件的内部编码方式。
1）ANSI：文件的编码就是两个字节D1 CF，这正是严的 GB2312 编码，这也暗示 GB2312 是采用大头方式存储的。
2）Unicode：编码是四个字节FF FE 25 4E，其中FF FE表明是小头方式存储，真正的编码是4E25。
3）Unicode big endian：编码是四个字节FE FF 4E 25，其中FE FF表明是大头方式存储。
4）UTF-8：编码是六个字节EF BB BF E4 B8 A5，前三个字节EF BB BF表示这是UTF-8编码，后三个E4B8A5就是严的具体编码，它的存储顺序与编码顺序是一致的。
九、延伸阅读
- The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（关于字符集的最基本知识）
- 谈谈Unicode编码
- RFC3629：UTF-8, a transformation format of ISO 10646（如果实现UTF-8的规定）
（完）
文档信息
- 版权声明：自由转载-非商用-非衍生-保持署名（创意共享3.0许可证）
- 发表日期： 2007年10月28日
- 更多内容： 档案 » 理解计算机
- 文集：《前方的路》，《未来世界的幸存者》
- 社交媒体：
twitter，
weibo
相关文章
- 2018.07.16: CAP 定理的含义
分布式系统（distributed system）正变得越来越重要，大型网站几乎都是分布式的。
- 2018.05.09: 根域名的知识
域名是互联网的基础设施，只要上网就会用到。
- 2018.01.21: 汇编语言入门教程
学习编程其实就是学高级语言，即那些为人类设计的计算机语言。
- 2018.01.11: 加密货币的本质
现在，各种加密货币（cryptocurrency）不计其数。
广告（购买广告位）
留言（218条）
Stark 说：
很有意思的内容
讲解得通俗易懂，非常感谢您用较长的时间学习，并用精简的语言概括
flyisland 说：
本人是计算机从业人员，对文中提到的知识也都基本了解，但是像阮兄这样，花了半天时间就弄清楚来龙去脉，同时讲述的如此清楚，实在佩服。
本帖有pmp嫌疑，但实在是不能不p啊 ：）。我想，动手写过技术文章的人都会同意我的。
只如初见 说：
是啊，我这个超级菜鸟都看明白了，阮兄对技术的理解和说明能力叫人佩服，谢谢分享。
姬着 说：
文章里说：UCS-2编码方式，即直接用两个字节存入字符的Unicode码。
那USC-2编码方式如何实现超过两个字节的符号的存储？谢谢
大徐 说：
对了解字符编码很有帮助，谢谢！
Ruan YiFeng 说：
引用只如初见的发言：是啊，我这个超级菜鸟都看明白了，阮兄对技术的理解和说明能力叫人佩服，谢谢分享。
“延伸阅读”中第一个链接，才是真正的通俗易懂，我只是向他学习而已。
Ruan YiFeng 说：
引用姬着的发言：文章里说：UCS-2编码方式，即直接用两个字节存入字符的Unicode码。 那USC-2编码方式如何实现超过两个字节的符号的存储？谢谢
USC-2只能用存储两个字节的Unicode，超过这一范围的符号，它不能表示。
Annis 说：
我是Annis,想邀请您参加拼搏到底FeedSky博客挑战赛，
这是一个很好的宣传、展示自己的机会，
有兴趣您可以自己到相关网站了解具体参赛细节。
http://www.feedsky.com/challenge/?u=141270
Bill 说：
PS：本文只是主要介绍了UTF-8编码，下面这篇文章对于GB码与Big5有更详细的介绍。
汉字编码中现在主要用到的有三类，包括GBK，GB2312和Big5。
1、GB2312又称国标码，由国家标准总局发布，1981年5月1日实施，通行于大陆。新加坡等地也使用此编码。它是一个简化字的编码规范，当然也包括其他的符号、字母、日文假名等，共7445个图形字符，其中汉字占6763个。我们平时说6768个汉字，实际上里边有5个编码为空白，所以总共有6763个汉字。
GB2312规定“对任意一个图形字符都采用两个字节表示，每个字节均采用七位编码表示”，习惯上称第一个字节为“高字节”，第二个字节为“低字节”。GB2312中汉字的编码范围为，第一字节0xB0-0xF7(对应十进制为176-247)，第二个字节0xA0-0xFE（对应十进制为160-254）。
GB2312将代码表分为94个区，对应第一字节（0xa1-0xfe）；每个区94个位（0xa1-0xfe），对应第二字节，两个字节的值分别为区号值和位号值加32（2OH），因此也称为区位码。01-09区为符号、数字区，16-87区为汉字区（0xb0-0xf7），10-15区、88-94区是有待进一步标准化的空白区。
2、Big5又称大五码，主要为香港与台湾使用，即是一个繁体字编码。每个汉字由两个字节构成，第一个字节的范围从0X81－0XFE（即129-255），共126种。第二个字节的范围不连续，分别为0X40－0X7E（即64-126），0XA1－0XFE（即161-254），共157种。
3、GBK是GB2312的扩展，是向上兼容的，因此GB2312中的汉字的编码与GBK中汉字的相同。另外，GBK中还包含繁体字的编码，它与Big5编码之间的关系我还没有弄明白，好像是不一致的。GBK中每个汉字仍然包含两个字节，第一个字节的范围是0x81-0xFE（即129-254），第二个字节的范围是0x40-0xFE（即64-254）。GBK中有码位23940个，包含汉字21003个。
Bill再推荐一个网站 专门介绍汉字与汉字计算机化的 汉典 http://www.zdic.net/
简单 说：
很强的网站，收藏
Ruan YiFeng 说：
引用Bill的发言：本文只是主要介绍了UTF-8编码，下面这篇文章对于GB码与Big5有更详细的介绍。
这篇网志中有两个地方需要补充一下，我忘了在原文中提到。
1.
国际标准化组织通过了一套ISO-8859-1的编码，规定了单字节256个符号的编码方式。目前，这是8位编码的国际标准。
2.
Unicode编码中表示字节排列顺序的那个文件头，叫做BOM（byte-order mark），FFFE和FEFF就是不同的BOM。
UTF-8文件的BOM是“EF BB BF”，但是UTF-8的字节顺序是不变的，因此这个文件头实际上不起作用。有一些编程语言是ISO-8859-1编码，所以如果用UTF-8针对这些语言编程序，就必须去掉BOM，即保存成“UTF-8—无BOM”的格式才可以，PHP语言就是这样。
请教 说：
我怎么用 notepad 保存成 UTF-8 后
用 UltraEdit 看 还是 FF FE 25 4E啊？？？
请教 说：
引用请教的发言：我怎么用 notepad 保存成 UTF-8 后 用 UltraEdit 看 还是 FF FE 25 4E啊？？？
哦 知道了。 是UltraEdit 默认会以 UTF-16的方式打开UTF-8编码的文件， 要设置或者用Hex Workshop打开就可以看到楼主所说的效果。
Cloudream 说：
（点击支持我）
这些字符是违反adsense规定的……
jackywdx 说：
这么精彩的讲解，实在不得不向作者致敬！
内容讲解得非常详细但又通俗易懂，谢谢了~~
jinwangen 说：
非常感谢
LMN 说：
非常感谢，值得一看
网友 说：
标题“6. Unicode与UTF-8之间的转换”不严谨。
Unicode是一种字符集，概念比较抽象，你已经提到，它存储的时候必须用适当的编码方式。
你的标题的意思，实际上是UTF-16和UTF-8之间的转换。
至于windows notepad保存对话框的编码方式列表中列出“Unicode”这一个名字，实际上是一个通俗的称呼(来自windows NT的早期版本的习惯，一直沿用)，指UTF-16，而不是严格的称呼。希望你行文不要受这个影响。
Ruan YiFeng 说：
引用网友的发言：标题“6. Unicode与UTF-8之间的转换”不严谨。
Unicode是一种字符集，概念比较抽象，你已经提到，它存储的时候必须用适当的编码方式。
你的标题的意思，实际上是UTF-16和UTF-8之间的转换。
UTF-16不等于unicode啊，不能混为一谈。
Ivan WONG 说：
嗯,看完了長不少知識.
Michael Zheng 说：
我只能这么说，看了那么多的对字符集的解释
这个绝对是最通俗易懂并且还解决了常见疑问的最好的文章 ：）
收藏
wxs8088 说：
很好的一编文章
人跟人的差距咋就这么大呢 说：
好文章!收藏了!
楼主何不把ansi编码方式也说说!
让俺这样的小学新生借楼主的理解能力再学习一把.
学习了 说：
学习了
水中鱼 说：
引用Ruan YiFeng的发言：UTF-16不等于unicode啊，不能混为一谈。
UTF-16扩充了Unicode，包括了一些稀有字符，想我们国家的满文，藏文等等，两者基本上等价
heroboy 说：
其实我认为，编码其实有2个意思。1.一个是把字符和数字对应起来（比如unicode和GBXXXX等）。2.还有就是相应在数字在计算机中的表示，也就是和字节序列对应起来（比如utf8，mbcs等）。
我有个问题，windows下的mbcs编码(2)用的编码(1)是不是GB系列的编码(1)，而unicode编码(2)用的是unicode编码(1)
Demo 说：
拜读。。。受益匪浅。。长见识了 。。顶楼主
GoBoat 说：
很精彩啊
yangxiups 说：
有时总想去搞清楚他们的区别，可总是无果而终。
讲的很通俗。收藏了。
Maxwell 说：
通俗易懂，对楼主的付出表示感谢。
好文章，收藏！
hao 说：
Big endian 是大头，还是大尾？
gaga 说：
本文充分展现了阮兄收集信息，总结和归纳信息的能力，佩服和学习！
BATMAN 说：
非常感谢楼主提供的信息，支持个
zhangzhen 说：
挺好的，谢谢
陈 说：
谢谢
Texas 说：
非常感谢楼主。
请继续写DBCS->UNICODE的文章
riskman 说：
写得真不错！！
Taken 说：
感谢阮兄精彩讲解...收获良多
另：能否稍微再增加点UTF-16,UTF-32的基本介绍和应用范围的介绍...
syjun37 说：
非常感谢这篇文章，我想请问一下，GBK和BIG5之间的关系是怎样的呢？是包含还是交集呢？
gg 说：
引用syjun37的发言：非常感谢这篇文章，我想请问一下，GBK和BIG5之间的关系是怎样的呢？是包含还是交集呢？
完全不同的两套编码标准，对应不同的代码页。同样的字在big5和GBK中的编码是不一样的。
Honeyhacker 说：
相当不错，这是我打算研究编码的时候看到的第一篇文章。几天之后再来评论！！
Honeyhacker 说：
你在文中提到：“UTF-8最大的一个特点，就是它是一种变长的编码方式。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”。我在http://dev.csdn.net/develop/article/83/83012.shtm上看到：
以下是Unicode和UTF-8之间的转换关系表：
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的？
Ruan YiFeng 说：
引用Honeyhacker的发言：该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的？
早先的规定是，utf-8可以到6个字节。但是，这已经废除了，目前规定是只支持4个字节，大于U+001FFFFF的符号utf-8不再支持。具体请参阅wikipedia。
Honeyhacker 说：
原来如此！感谢你的回复！再问一个问题，从网络中抓获的数据报，在用wireshark分析的时候，如何判断其中的哪些数据使用了Unicode编码？（从snort给出的信息中，该条数据确实有Unicode编码）。
morpheus 说：
前辈，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
这个是怎么实现的呢，我有点不明白，还望回复一下，感激不尽。
Honeyhacker 说：
或者这样说，两台主机通信的时候，A接收到B发送的消息后，它如何知道该报文采取的是什么编码类型？在报文的格式里面好像没有提到这一点吧！
chen3feng 说：
引用Ruan YiFeng的发言：UTF-16不等于unicode啊，不能混为一谈。
Windows 从 NT 开始，一开始的内码是 UCS-2，只支持 Unicode BMP 字符，后来做了扩充，目前的内码就是 UTF-16，通常不严格地称为 Unicode。
Honeyhacker 说：
引用Honeyhacker的发言：或者这样说，两台主机通信的时候，A接收到B发送的消息后，它如何知道该报文采取的是什么编码类型？在报文的格式里面好像没有提到这一点吧！
已经弄明白了！不可一概而论！
想 说：
受益匪浅谢谢老师！
挪威的森林 说：
好文！是我看过的关于字符/字符集入门文章中最通俗易懂而又有效的一篇！
wangkai 说：
佩服，不得不顶，一直想搞清楚，今天总算清楚了一点
wangkai 说：
关于第8点：8. 实例
我照着做了，但是结果却不是这样，
后面三种方式显示的都是 FF FE 25 4E
这是怎么回事？
我用的是vista系统
ArthurLee 说：
通俗易懂，受益匪浅，谢谢指教！O(∩_∩)O~
www 说：
很感谢 写的很生动 楞看了百度百科半天没懂。。。
xingyifeng 说：
谢谢
你们的讨论很精彩
这样才会有长进
手脚冰凉 说：
一直对这些字符集和编码比较头疼，今天看了阮兄和大家的讨论，终于有点清楚了，谢谢阮兄给大家带来这么好的文章。
illidan.zen 说：
通俗易懂，我顶！
sanki 说：
不错不错，写得太棒了！
cocobear 说：
写得不错。。
IT民工 说：
>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。
有一点疑问，unicode编码使用2个字节也就是16位2进制数字来表示字符，那么在存储的时候，为什么会超过2个字节以上呢？
unicode所能定义的符号总共有65536个，而且里面的每一个符号都是用2个字节表示的，包括ascii码也都是在高位补零的，麻烦楼主解释一下
vivi 说：
在实例8中，我这里ASCII码是D1 CF。但是其它的存储方式，打开都是显示 FF FE 25 4E,不论用什么方式存储?
jing.lu 说：
非常生动形象，易于理解，很不错。
xix 说：
太感谢您的文章了，收藏了。
之前也看过几篇介绍utf8编码的，但都是语言生硬晦涩的长篇大论，感觉太专业、太复杂，看着头大。
这篇文章总结的很好，本来繁杂的东东，理得很清晰易懂。感谢！
patric 说：
vivi 说：
在实例8中，我这里ASCII码是D1 CF。但是其它的存储方式，打开都是显示 FF FE 25 4E,不论用什么方式存储?
我操作了，和你说的情况一样。
2 说：
一知半解，误人子弟
美丽明天 说：
我想把网站做成韩文的,不知道有什么好方法.
jhx 说：
谢谢了！
houkai 说：
写的很通俗 学懂了 谢谢！
goodappli 说：
第一个参考链接太难打开了，半天都没有载入，让人崩溃，改天再试。
flowsands 说：
阮大有空再来聊聊新字符集国标GB18030吧，Superset of gb2312.
参见：http://en.wikipedia.org/wiki/GB_18030
XjAcKs 说：
原来是这样，这下更清楚了。谢谢！
allen 说：
感谢，写的很清楚详细
htc 说：
写得太好了，感谢楼主的贡献
mlmt 说：
正在头痛这个编码的事，感谢楼主。
延伸阅读里的第一个链接是英文.再次证明，学好英文是一件多少重要的事。
Tdou 说：
写的通俗易懂，谢谢了！
Harly 说：
此文从框架上说明了字符编码的套路。我见过太多的不明就里的人，写这样的文章，试图阐明字符编码系统，但限于其人先天上大脑逻辑混乱，后天上一知半解，结果就是胡说八道，情形就像：分不清class和instance的区别。
azziporah 说：
引用Harly的发言：此文从框架上说明了字符编码的套路。我见过太多的不明就里的人，写这样的文章，试图阐明字符编码系统，但限于其人先天上大脑逻辑混乱，后天上一知半解，结果就是胡说八道，情形就像：分不清class和instance的区别。
非常同意ls的观点
字符编码是跨越电子通信和语言文字两大领域的庞大系统。其一是“编码”本身，伴随着电子和通信技术的发展一直在改进，同时也带来了许多legacy的产物；其二是“字符”，由于人类语言/书写系统的多样性和复杂性，将编码应用到语言文字上来又是一大难题，各种语言文字有各自的出发点和难点。因此，尝试解决这一混乱局面的UCS/Unicode实在是一项恢弘的工程。无怪乎lz在开头就说了，这个问题比他想象中复杂。
即使是现在最常见的7-bit ASCII，虽然看上去比较简单、且有些杂乱无章，实则每个字符的排布都经过了精心的设计，包括性能上的、工程上的、兼容性上的许多考虑因素。
另外，说起字符编码，就会有许多含糊不清、容易混淆的词汇，其中很多是基于历史原因，还有一些以讹传讹的和巧合的因素，这方面也是需要注意的。
对于大多数人来说，即使您已经系统地学习过数电/计算机课程，我仍然推荐阅读《编码的奥秘》。有较好的基础的人可以参考一下资料
http://scripts.sil.org/Home
http://www.unicode.org/standard/standard.html
http://msdn.microsoft.com/en-us/library/dd318661(v=VS.85).aspx
盗版小米米 说：
形象生动，易于理解！！！！牛
RGLS 说：
非常感谢lz的文章，介绍得很清楚。
树树 说：
写得很好，一直不太明白字符编码方面的东西
o0o0o 说：
细想起来，可能这是我看到的最好一阐述编码的文章，精炼易懂，big endian和little endian来源的有趣介绍让人印象深刻
atom 说：
文章恒久远，一篇永流传。感谢阮兄的劳动！
c0ming 说：
big endian和little endian 应该有更好的译名：大、小端。在网络编程 和 嵌入式方面都是这样译。
落叶 说：
刚研究UNICODE与ASCII之间的转换工具，突然想到为啥UTF-8和UNICODE长得这么像啊，如果Google了一下，看到这篇文章，真的不错。
yanghe 说：
通俗易懂，支持
frostmoon 说：
正在学习编码 兄弟的文章通俗易懂 豁然开朗！
javie 说：
奇怪 我的“严”的UTF8二进制怎么都是fffe 254e？？
试过记事本 ，emeditor，ultraedit都是
johnw 说：
拜读了，最近正在弄Java的乱码问题，看完了明白了很多原理性的东西！
towry 说：
很有帮助啊，谢谢分享。转到我的QQ空间里了，慢慢看。
DerekWu 说：
很好，通俗易懂。谢谢。
yuhai 说：
文中所提的大端法和小端法用来描述字节序列问题不够详细
zhenyulu 说：
非常好，网上搜了半天资料，还是这篇文章写得好！
cumirror 说：
很详细易懂，赞一个~
胡营 说：
看了很多资料都没看懂，这下懂了！赞一个！o(≧v≦)o~~好棒
evil39c 说：
终于弄懂UTF-8了，谢谢。
ray 说：
以汉字”严“为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。
4E25不是code point吗？应该是经utf8转换为E4B8A5这三个字节才涉及字节序问题吧？
葫芦 说：
第四、五节不是很好理解。
很棒的文章。
森马 说：
转你的博客了，对我很有用。多谢。
另外文中连接的unicode的编码表里面数据貌似不对。
小郭 说：
这篇文章真的很棒 谢谢
Lidh 说：
引用Ruan YiFeng的发言：......
UTF-8文件的BOM是“EF BB BF”，但是UTF-8的字节顺序是不变的，因此这个文件头实际上不起作用。有一些编程语言是ISO-8859-1编码，所以如果用UTF-8针对这些语言编程序，就必须去掉BOM，即保存成“UTF-8—无BOM”的格式才可以，PHP语言就是这样。
UTF-8文件的BOM“EF BB BF”，它实际上就是FE FF用UTF-8编码而得到的
张彦飞 说：
结合最常用的记事本来介绍Unicode,UTF-8. 太好了！！
negatlov 说：
引用网友的发言：windows notepad保存对话框的编码方式列表中列出“Unicode”这一个名字，实际上是一个通俗的称呼(来自windows NT的早期版本的习惯，一直沿用)，指UTF-16，而不是严格的称呼。希望你行文不要受这个影响。
这个说法很正确。的确换成utf-16准确点。mac osx这上面做得就很好。
negatlov 说：
引用水中鱼的发言：
UTF-16扩充了Unicode，包括了一些稀有字符，想我们国家的满文，藏文等等，两者基本上等价
记得utf-16是unicode的具体实现方法。你这种说法本来就有混淆概念。
Finals 说：
这个可以用来分段读取UTF-8字符，不错
旦旦 说：
藏文最好的那种啊字符编码？如在QT里
pw.cheng 说：
非常感谢楼主的讲解,我想知道的你说了好多,这个地址收藏了
U雅de凋0 说：
好东西 ！谢谢 峰哥 的总结 与 无私奉献！我不用再 苦苦 搜索了！谢谢
葫芦 说：
引用chen3feng的发言：
Windows 从 NT 开始，一开始的内码是 UCS-2，只支持 Unicode BMP 字符，后来做了扩充，目前的内码就是 UTF-16，通常不严格地称为 Unicode。
unicode是字符集，UTF-16是编码方式。。。 不严格地成为Unicode是咋个意思。。
qqtoys 说：
写得很清楚，非常受用。谢谢作者。
半睡的灰狼 说：
写的真的挺不错的！ 顶
mm 说：
Windows 7 簡體中文版用的是GBK編碼，兼容GB2312。
残阳 说：
你好，目前被一个问题困扰。。。
是这样的，有一被压缩过的流没有解压而直接被转化成字符串了(当然是乱码了)，这是新浪的一个云应用FetchURL干的。。。我看了他们的源码，直接用apache提供的包中的EntityUitls中的toString方法转化成字符串了，所以我在发送请求的时候在加上请求头Accept-Encoding:gzip,他们没有解压就直接转化成字符串了。问题来了，我现在的作法是把这个字符串转化成字节，然后解压，具体的作法是：用String类中的getBytes(Charset),然后InputStream in1 = new GZIPInputStream(new ByteArrayInputStream(bytes1))，这里报错了，这个bytes1的字节已经不是1f 8b开头的，也就是说不是压缩过的模式了，求解。。。为什么。。难道EntityUitls，把压缩过的流转化为字符串的时候丢了字节码，还是什么情况(这里有个特例，就是ISO-8859-1可以还原，其余都不行)。。。
xiaobin 说：
写的太好了。有个问题想请教下，mysql中是如何用latin1来存中文的。
Daniel 说：
@残阳：
关于使用ISO-8859-1，我认为是因为：
“ISO-8859-1 字符集的编码范围是 0000-00FF，正好和一个字节的编码范围相对应。这种特性保证了使用 ISO-8859-1 进行编码和解码可以保持编码数值“不变”。虽然中文字符在经过网络传输时，被错误地“拆”成了两个欧洲字符，但由于输出时也是用 ISO-8859-1，结果被“拆”开的中文字的两半又被合并在一起，从而又刚好组成了一个正确的汉字。”
具体可以看搜到的这篇blog：
http://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/
彗星 说：
确实深入浅出，不错！
烂烂 说：
前几天才从fanfou看到linus的帖
今天找编码 就又找到这里
shuiyouren 说：
非常感谢您的分享，我一直在纳闷计算机是如何判断utf-8中的ascii部分，现在完全清晰了，额，竟然一直没发现ascii保留了最高位为0……
icolin 说：
"因此，第一个字节在前，就是”大头方式“（Big endian），第二个字节在前就是”小头方式“（Little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。"
文中的big endian 和 little endian，翻译成“大尾”和“小尾”是不是更恰当？理由如下：
FEFF： FF 比 FE大且FF在后面，显示就是“大尾”
另外你在延伸阅读中提到的文章也是翻译成“大尾”和“小尾” （谈谈Unicode编码）
Poken-Chen 说：
哈哈，谢谢啊。
我有个私人问题可以问一下吗？
就是如果有了新字符的话？如何添加到Unicode里呢？怎么向Unicode或者国家申请吗？会通过吗？
xiekun 说：
我有个疑问“ANSI：文件的编码就是两个字节“D1 CF”，这正是“严”的GB2312编码，这也暗示GB2312是采用大头方式存储的”
请阮兄指教，不是说用FE,FF来表示大端和小端吗，为啥说从上面的编码可以看出是采用大头方式的呢
FallenMax 说：
感谢阮老师，和所引用资料的作者。好文，清晰易懂。
情花一冲 说：
我只想说：我很感动，感动楼主的清晰易懂，一天的bug，终于在此贴解决，，，苦逼的程序员，，，想哭 。。。。
xujinnan 说：
这个问题也是我一直想弄清楚的，今天终于找到了篇好的文章，受益匪浅啊，感谢博主！
Homer 说：
感谢楼主！要是大学教材都用这种风格来编写，估计四年的计算机课程，真正在读书的1年就够了！！
utf-8的设计的确很巧妙：“2）对于n字节的符号（n>1），第一个字节的前n位都设为1【后面有几个字节兄弟们，就设计几个的显示位！计算机首先读到的，就是应该作为一组来解析的字节兄弟总数】，第n+1位设为0【表示显示位结束！】，后面字节的前两位一律设为10【表示这些字节都是被刚才那个leader领导的兄弟们】……”
另请教一下，对于在128—255的ASCII扩展字符，由于利用了最高位，应该就是与utf-8不一样了吧？
aisensiy 说：
一直对 utf-8 unicode 很模糊，这篇完整讲的太到位了
ChanneW 说：
可是，以ANSI方式保存的文本文档也能正常显示中文啊~
David 说：
好早的文章，居然被人推荐过来了，真是很好的科普文章。
关于 UTF-8，它有一个非常好的特性文中应该顺带提一下：虽然不同的字符字节数不同，但是任何一个字符不会是另一个字符的一部分。这使得基于字节的字符串匹配算法可以直接应用在 UTF-8 上。一些新兴的语言，如 Go ，字符串处理方面有很大部分是针对 UTF-8 编码的，个人感觉是空间、执行效率以及编程复杂度比较好的平衡。
峰 说：
很容易理解。
hilojack 说：
引用姬着的发言：文章里说：UCS-2编码方式，即直接用两个字节存入字符的Unicode码。
那USC-2编码方式如何实现超过两个字节的符号的存储？谢谢
ucs2不能实现两字节以上字符，得使用支持4字节的utf16，我的博客 字符编码入门有提及
千鹤 说：
再看一遍效果又不同了,证明自己没懂。
leo569 说：
阮老师的文章，绝对值得一读。以前写java的，对底层了解相对缺失，现在写C++遇到这类问题极为棘手。拜读了
FlyingFish 说：
讲得通俗易懂，很明白。谢谢作者！
闻一多 说：
这样的基础的东西很好。
小明 说：
好文章，不太长的文章能把事情都说明白，很不简单。
peach5460 说：
太有帮助了,我以前从没真正弄懂过字符编码...
平和的心 说：
有个问题请教一下，Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。那对于Unicode编码超过两个字节的，就没法保存了？
游客 说：
引用平和的心的发言：有个问题请教一下，Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。那对于Unicode编码超过两个字节的，就没法保存了？
还有UCS-4呗，当然UCS-2用的比较多而已，可编码的汉字也仅仅是个子集而已。
fly 说：
这么精彩的讲解，实在不得不向作者致敬！
内容讲解得非常详细但又通俗易懂，谢谢了~~
apollo 说：
你好，我用uncode保存“严”， 用hex查看是：e4 b8 a5 00 c4 00。而后三个字节，00 c4 00会因为的我保存一直在变化，有的时候会是 00 ee 3e，有的时候直接空了~
我用的win7
后来，经过尝试，又出现了BOM，显示为文中提到的ff fe 25 4e
这种情况最让人蛋疼了，搞不清是为什么~
求教楼主
digdeep126 说：
一直对这一块没有完全弄明白，博主真是个打破沙锅问到底的人。感谢博主的精彩文章。
loli 说：
博主，这事我迄今看过最通俗易懂的 关于编码的文章了，太感谢了。之前看过其他很多，都是一头雾水。。
wwj 说：
近期发现您的文章，觉得很多都值得收藏，通俗易懂！非常感谢分享知识和想法
Song 说：
一点小小的问题，有一个地方『根据』的『根』写为了『跟』，变成了『跟据』
le 说：
非常感谢。通俗易懂。
share 说：
非常通俗易懂
lan 说：
非常有用，受益匪浅，感谢！
mll 说：
UTF-8的表示算法：既然第一个字节的"1"的数量就表示了整个当前字符的字节数，为什么后续字节还需要"10"作为前缀，这不是白白浪费了每个字节中的两个位吗？
xxx 说：
引用mll的发言：UTF-8的表示算法：既然第一个字节的"1"的数量就表示了整个当前字符的字节数，为什么后续字节还需要"10"作为前缀，这不是白白浪费了每个字节中的两个位吗？
也许是出于容错的考虑，网络传输或者兼容不够不严谨的编辑器，删掉汉字等字节字符中的部分字节，会使得整串字符乱码
MR.曹 说：
如果早点看到楼主的文章，今天腾讯的实习生笔试就又多一层把握了！
ibuick 说：
破特么几吧文章 什么特么鸡巴玩意儿
ibuick 说：
就这文章水平 我就呵呵了
layoe 说：
感觉博大精深。但依旧受益匪浅。
谢谢lz
文太 说：
博主您好，我认为第5段表格中关于4字节的UTF-8编码可表示的 Unicode Code Point 的范围应该是：
0001 0000-001F FFFF
ppxia 说：
顶一个 讲的很透彻。
Liuruoze 说：
感谢楼主的文章，传道授业解惑也
有点甜 说：
引用mll的发言：UTF-8的表示算法：既然第一个字节的"1"的数量就表示了整个当前字符的字节数，为什么后续字节还需要"10"作为前缀，这不是白白浪费了每个字节中的两个位吗？
试想，当你处在一个字符串中间时，你不知道当前是一个什么字符，使用UTF-8能帮你在这种情况下同步到下一个合法字符，否则是不可能的。
chenjw 说：
谢谢你的精彩分享。但有一个疑问：
"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"，我的初步理解是：Unicode既然是2字节的，那么按理说不会超过256*256个字符才对。这里的“100多万个符号”个中来由，可否细谈下？
柚子 说：
引用chenjw的发言：谢谢你的精彩分享。但有一个疑问：
"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"，我的初步理解是：Unicode既然是2字节的，那么按理说不会超过256*256个字符才对。这里的“100多万个符号”个中来由，可否细谈下？
是的，我也有这个疑问，能否请教楼主，望来信告知！252532774@qq.com
柚子 说：
引用xiaobin的发言：写的太好了。有个问题想请教下，mysql中是如何用latin1来存中文的。
嗯，关于mysql这边，我也有一个问题。
我这边有一个mysql是默认的latin1的编码，我的应用是java写的，我想：“不管mysql的编码如何，我只要在java应用对编码做正确的转换，那么就应该能够在写入和读出mysql时不出现乱码才对。”，请问这个想法是否正确呢？
dlitchi 说：
引用柚子的发言：是的，我也有这个疑问，能否请教楼主，望来信告知！252532774@qq.com
阮大哥的文章有说过哦，传送门：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
Brilliance 说：
引用chenjw的发言：谢谢你的精彩分享。但有一个疑问：
"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"，我的初步理解是：Unicode既然是2字节的，那么按理说不会超过256*256个字符才对。这里的“100多万个符号”个中来由，可否细谈下？
unicode是字符集, 不是存储方式, 这个搞明白.
通常所说2个字节的unicode实际上是指utf-16, 这应该是winnt遗留下来的叫法. 实际上unicode包括8位,16位,32位等存储方式. 其中u8和u32都可以最多用4Byte表示一个字符. 而u16最多用2Byte表示.
游客 说：
【USC-2只能用存储两个字节的Unicode，超过这一范围的符号，它不能表示。】
这个说法是错误的。记事本的ucs-2存储方式类同于utf-16的存储方式。
林锦 说：
引用chenjw的发言：谢谢你的精彩分享。但有一个疑问：
"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"，我的初步理解是：Unicode既然是2字节的，那么按理说不会超过256*256个字符才对。这里的“100多万个符号”个中来由，可否细谈下？
Unicode的编码空间从U+0000到U+10FFFF，共有1,112,064个码位（code point）可用来映射字符. Unicode的编码空间可以划分为17个平面（plane），每个平面包含216（65,536）个码位。
17个平面的码位可表示为从U+xx0000到U+xxFFFF,其中xx表示十六进制值从0016到1016，共计17个平面。（Plane 0,1,2,....9,a,b,c,d,e,f,10）
第一个平面称为基本多语言平面（Basic Multilingual Plane, BMP），或称第零平面（Plane 0）。其他平面称为辅助平面（Supplementary Planes）。
基本多语言平面内，从U+D800到U+DFFF之间的码位区段是永久保留不映射到Unicode字符。UTF-16就利用保留下来的0xD800-0xDFFF区段的码位来对辅助平面的字符的码位进行编码。
淘鱼 说：
好文章就是好文章，都过了这么多年，我不记得了还是来找这篇文章看看。07年到14年
goldenshaw 说：
最近在写编码方面的一个系列，搜到这里来了，感觉文中对Unicode及UTF-8这两个不同层面还是没说透，可参考我已经写好的一些http://my.oschina.net/goldenshaw/blog?catalog=536953，讲得比较详细。
另：文中说记事本用的所谓Unicode是UCS-2，其实早就应该是UTF-16了，至少我的系统里已经是UTF-16，而不是什么UCS-2，UCS-2只有两字节，根本无法保存U+FFFF以上码点的字符。
九地之方 说：
嗯，虽然有些名词概念讲的不是很清楚，但通俗易懂，还算不错。
其实博主着重过的语句主要是讲字符集和字符编码关系，例如：“UTF-8是Unicode的实现方式之一”这句话，Unicode就是字符集，它规定一个字符对应的编码，比如博主说的“严”对应的编码是4E25。而UTF-8是字符编码，它规定在内存中应该以怎样的方式来存储4E25，类似的对应Unicode字符集的字符编码还有UTF-16等。
最后补充下博主说的大端序（BE）和小端序（LE）：每个字节内的比特位不会受大端和小端的影响，例如20H，在大端和小端中的内存顺序都是00100000。
Ruyi 说：
总结的太好了，节省了好多时间，非常感谢你！
Victor 说：
引用ChanneW的发言：可是，以ANSI方式保存的文本文档也能正常显示中文啊~
ANSI（注意拼写不是ASCII）并不是“一种”编码，而是“多种”编码的统称。在简体中文Windows上，ANSI指GBK编码；在繁体中文Windows上，ANSI指Big5编码；在英文Windows上，ANSI指cp437编码。
jack 说：
如果UTF8无BOM的情况下，程序应如何识别呢？
yanhaijing 说：
正需要
monklof 说：
阮一峰老是说：
UTF-8的编码规则很简单，只有二条：
1）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。
2）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。
其中第2点，对于n字节的符号的理解是不是有偏差呢？
再看具体的编码：
Unicode符号范围 | UTF-8编码方式
(十六进制) | （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
其中Unicode 0080~07FF段 和 Unicode 0800~FFFF段都是两个字节，却不适用于第2)条 规则的。
就像它的名字都表示的
改成
就像它的名字所表示的
许湘涵 说：
很不错 好文章就是解惑有启发
扬空 说：
醍醐灌顶
胡晓晓 说：
还没看完就赶紧过来留言了，感谢博主，这就是我关心的问题，哈哈，给你个赞。
Ray 说：
写的太好了.找了好多篇文章,峰哥的这篇深入浅出,让我止不住的想盲目膜拜一下.
mihooke 说：
嗯！Comments ，wonderfully！
CiBai 说：
对我的帮助很大。。谢谢你。。。
朱国伟 说：
你好， 请教一个问题。 已让我寝食难安好几天了。如下所示：
mysql会话中执行status：
Server characterset: latin1
Db characterset: latin1
Client characterset: latin1
Conn. characterset: latin1
表结构：
CREATE TABLE `t3` (
`data` varchar(10) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=latin1
mysql> insert into t3 select '严';
mysql> select data,hex(data) from t3;
+------+-----------+
| data | hex(data) |
+------+-----------+
| 严 | E4B8A5 |
+------+-----------+
奇怪！ 不是latin1吗？怎么和utf8没有区别呢？
icesnow 说：
我也正在做一个编码的转换，请问如何将ansi编码转换成utf-8编码呢？
我曾经试着手动把unicode编码转换为Utf-8编码就是简单地遍历所有的字节数组，然后把0和1删除。不知道这样做对吗？
现在问题是怎么把ansi编码转成utf-8呢？
或者把ansi编码转成完全是字节数组的十六进制表示？
chengbapi 说：
原文：
Unicode符号范围 | UTF-8编码方式
(十六进制) | （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
最后一行应该是 0001 0000-001F FFFF
您的大名 说：
"UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号"
应该是1~6个字节
OnePiece 说：
请允许我叫你阮兄，哈哈，虽然我才大一计算机专业的学生，不过很喜欢看阮兄你的文章
晓薇 说：
unicode编码转utf8编码js实现，代码感觉写的不是很好，看到可以简化一下，
var unicodeToUTF8 = function(unicode) {
if(unicode >= 0x00000000 && unicode return unicode;
}
else if(unicode >= 0x00000080 && unicode var r1 = (((unicode & 0x7C0) >> 6)|0xC0) var r2 = (unicode & 0x03F)|0x80;
return r1 | r2;
}
else if(unicode >= 0x00000800 && unicode var r1 = (((unicode & 0xF000) >> 12)|0xE0) var r2 = (((unicode & 0x0FC0) >> 6)|0x80) var r3 = ((unicode & 0x003F)|0x80);
return r1 | r2 | r3;
}
else if(unicode >= 0x00010000 && unicode var r1 = (((unicode & 0x1C0000) >> 18)|0xE0) var r2 = (((unicode & 0x03F000) >> 12)|0x80) var r3 = (((unicode & 0x000FC0) >> 6)|0x80) var r4 = ((unicode & 0x00003F)|0x80);
return r1 | r2 | r3 | r4;
}
else {
return false;
}
}
杨杰 说：
写的真的是通俗易懂，深入浅出，很让我这样的小白受益啊。感谢感谢
Jason 说：
"EF BB BF" 这个是windows的text editor添加的BOM，用其他的编辑器不一定会出现。
hoho 说：
已知"严"的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF）这个是啥意思？怎么对应起来的？
jingmi 说：
感谢作者的讲解，通俗易懂！看过明白很多。
wier 说：
引用柚子的发言：
是的，我也有这个疑问，能否请教楼主，望来信告知！252532774@qq.com
统一码的编码方式与ISO 10646的通用字符集概念相对应。目前实际应用的统一码版本对应于UCS-2，使用16位的编码空间。也就是每个字符占用2个字节。这样理论上一共最多可以表示216（即65536）个字符。基本满足各种语言的使用。实际上当前版本的统一码并未完全使用这16位编码，而是保留了大量空间以作为特殊使用或将来扩展。
上述16位统一码字符构成基本多文种平面。最新（但未实际广泛使用）的统一码版本定义了16个辅助平面，两者合起来至少需要占据21位的编码空间，比3字节略少。但事实上辅助平面字符仍然占用4字节编码空间，与UCS-4保持一致。未来版本会扩充到ISO 10646-1实现级别3，即涵盖UCS-4的所有字符。UCS-4是一个更大的尚未填充完全的31位字符集，加上恒为0的首位，共需占据32位，即4字节。理论上最多能表示231个字符，完全可以涵盖一切语言所用的符号。
基本多文种平面的字符的编码为U+hhhh，其中每个h代表一个十六进制数字，与UCS-2编码完全相同。而其对应的4字节UCS-4编码后两个字节一致，前两个字节则所有位均为0。
关于统一码和ISO 10646及UCS的详细关系，见通用字符集。
维基百科上，有辅助平面字符
奥丁1号 说：
通俗易懂
刘晋霞 说：
受益匪浅
心声 说：
您好，非常感谢，真的是通俗易懂，果然是大神
发现文章中有个地方写差了：
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
应该是：
0001 0000-001F FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
再次感谢。
sigh 说：
文中
```
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
```
的最后一行应该为
```
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 - 001F FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
```
kiscms 说：
1、Unicode符号范围的最大值为什么是 0X10FFFF ？
2、0X10FFFF 的二进制是 00010000 11111111 11111111 ，很明显它是三个字节的，那么对应转成utf8的规则就是1110xxxx 10xxxxxx 10xxxxxx ，可是为什么文中要对应成 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx，我想知道，这张表是按什么规律生成的？
Zack 说：
清晰，易懂。
Lemon 说：
讲得简洁易懂，棒
张冬冬 说：
感谢博主！最近在解决java用jni调用C++中的一些编码方式问题，这篇文章深入浅出、讲解得清晰又易懂！帮了我大忙了，又学了些知识
Neo 说：
真难想象博主在07年就整理出这详尽的计算机文档, 在零散的互联网知识里面你的 Blog最能激发我认真阅读的兴趣! :)
博主崇拜者 说：
经典，通俗易懂，条例清晰。
博主崇拜者 说：
好的文章，十年后有人看了都会忍不住回复。
alias 说：
文章通俗易懂，赞
-_-宋宋-_- 说：
知识果然不易过时，收藏~~
Weiting 说：
非常有用的文章!! 謝謝你~~
伯格 说：
老师好，下面这句话我应该怎么理解呢？
《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？》
既然不同的编码会用不同的编码解读，那么怎么会出现不能区分Unicode和ASCII的问题？我用ASCII解读不就可以了吗？
所以我太懂这个问题的怎么出现的？
Asun 说：
看过老师很多文章，每一篇都是好文，感谢老师分享
chappie 说：
引用伯格的发言：老师好，下面这句话我应该怎么理解呢？
《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？》既然不同的编码会用不同的编码解读，那么怎么会出现不能区分Unicode和ASCII的问题？我用ASCII解读不就可以了吗？
所以我太懂这个问题的怎么出现的？
用unicode编码的文件，所有的字符都用两个字节编码，ASCII也是,所以不会存在这个区分的问题
Jixuan Cheng 说：
你太有教育人的天賦了。我現在編程有不明白的地方，如果是基礎的不理解，就找你的網來讀！都能明白！真棒！謝謝
mccasey 说：
参考这个utf8编码对照表更清晰，来自https://en.wikipedia.org/wiki/UTF-8
Number Bit for first last
of bytes code points code points code points Byte 1 Byte 2 Byte 3 Byte 4
1 7 U+0000 U+007F 0xxxxxxx
2 11 U+0080 U+07FF 110xxxxx 10xxxxxx
3 16 U+0800 U+FFFF 1110xxxx 10xxxxxx 10xxxxxx
4 21 U+10000 U+10FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
hk4fun 说：
http://www.cnblogs.com/leesf456/p/5317574.html
刘江龙 说：
读了你很多文章了，这篇也有收获。 这个例子做了一个unicode到UTF-8字符集的掩码运算，mark到这里备忘。
汉字 严的 unicode码点 4E25
0100 1110 0010 0101
1110 xxxx 10xx xxxx 10xx xxxx
1110 0100 1011 1000 1010 0101
汗青 说：
谢谢分享，真的很感谢，愿意分享的自己知识的人都是好样的！
wsj 说：
1,
ascii码由美国人发明，长度为一个字节，8个二进制，最长表示256个字符，
标准的ascii为128个，前面一个bit为0，用后面7位表示128个ascii码。
2,
为了兼容世界所有字符，重新编了一套Unicode，每个符号给予独一无二的编码，
现在可容纳100多万字符，这就意味着Unicode的编码变得特别多，也就不可能用1个
字节表示ASCII吗，因为解码的时候所有比特连在一起，会将你本来用来表示ascii码的
一个字节混淆（因为unicode编码太多，此ascii的编码可能与Unicode某个编码中的某
一段重复）;所以必须加长用来表示ascii的编码，以进行区别，但这就带来一个浪费内
存的问题。
3,
所以出现了utf8,它用前N+1个比特表示它的长度N（除了单字节是用一个0比特表示,这时
的utf8编码与ascii编码一致，都是一个字节）,后面的编码直接从Unicode编码里面拿。所以它
不是全新的编码，是Unicode的一种实现方式，相比而言节省了内存（尤其是在以英文居多的时候）。
wyq 说：
在这篇文章刚好十年的时候看到了。。。
xxx 说：
10 year anni
HeroTimor 说：
十年后来看一下，当时阮哥的博客略显青涩哦。
noans 说：
引用心声的发言：您好，非常感谢，真的是通俗易懂，果然是大神
发现文章中有个地方写差了：
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx应该是：
0001 0000-001F FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx再次感谢。
UTF-8的最大值之所以是 10FFFF 而不是 1FFFFF 是因为Unicode的范围是 U+0-10FFFF
下面的链接是Unicode的范围设置原因讨论的帖子
http://unicode.org/mail-arch/unicode-ml/Archives-Old/UML021/0881.html
小张 说：
每个字符在Unicode里面的位置是一定的，为什么不能直接使用这个位置进行二进制存储呢，也能做到动态大小存储吧？
会飞小超人 说：
最近在找字符编码的文章，看了好几篇，果然还是阮老师的最清晰易懂！
我要发表看法
您的留言 （HTML标签部分可用）
您的大名：
«-必填
电子邮件：
«-必填，不公开
个人网址：
«-我信任你，不会填写广告链接
记住个人信息？
«- 点击按钮
2018 © 我的邮件 |
1934
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
