关于UTF-8中汉字编码的问题

    在最近的项目中，遇到了UTF-8编码的问题。在Oracle的数据库表中有一个字段，数据类型为NVARCHAR2,长度为2000字，用于汉字存储，在超过1300字的时候会提示错误，在网上搜索了一下，有人说是在UTF-8中汉字编码为三个字节，也有人说是两个或三个字节，还有人说也有四个字节的。在下水平有限，欢迎各位大侠指教！

  

    今天受到我最最最最最最崇拜的同学的指教以后，终于把UTF-8字符集编码搞明白了，我对他的敬仰有如滔滔江水，连绵不绝，有如黄河泛滥，一发不可收拾呀。

   

     使用Unicode编码，一个英文字符要占用2个字节。在Internet上，大多数信息都是用英文来表示的。如果用unicode编码，那么信息量将会增加1倍。为了减少存储和传输英文字符数据的数据量，可以使用UTF-8编码。

     UTF-8全称是Eight-bit UCS Transformation Format（UCS university charset Set， 通用字符集，UCS是所有其他字符集的一个超集）。对于常用的字符，即0~127的ASCII字符，UTF-8用一个字节来表示，这意味着只包含7位ASCII字符的字符数据在ASCII和UTF-8两种编码方式下是一致的。如果字符对应的Unicode码是0X0000，或在0X0080与0X007f之间，对应的UTF-8码是两个字节。如果字符对应的Unicode码在0X0800与0Xffff之间，对应的UTF-8编码是3个字节。因为中文字符的Unicode编码在0X0800与0Xffff之间，所以数据如果是中文，采用UTF-8编码数据量会增加50%。

    Unicode与UTF-8之间的转换规则如下：

    （1）如果Unicode编码的16位二进制数的前9位是0， 则UTF-8编码用一个字节来表示，这个字节的首位是0，剩下的7位与原二进制数据的后7位相同。例如：

     Unicode编码： /u0061 = 00000000 01100001

     UTF-8编码： 01100001 = 0x61

    （2）如果Unicode编码的16位二进制数的头5位是0，则UTF-8编码用2个字节来表示，首字节用110开头，后面的5位与原二进制数据去掉前5个零后的最高5位相同；第二个字节以10开头，后面的6位与原二进制数据的低6位数据相同。例如：

    Unicode编码： /u00A9 = 00000000 10101001

    UTF-8编码： 11000010 10101001 = 0xC2 0xA9

     （3）如果不符合上述两个规则，则用3个字节表示。第一个字节以1110开头，后四位为原二进制数据的高四位，第二个字节以10开头，后六位为原二进制数据的中间6位，第三个字节以10开头，后6位为原二进制数据的低6位。例如：

     Unicode编码： /u4E2D = 01001110 00101101

     UTF-8编码： 11100100 10111000 10101101 = 0xE4 0xB8 0xAD