utf-8 中的一个汉字占几个字节

时间:2022-12-11 22:44:19

占 2 个字节的:〇

占 3 个字节的:基本等同于 GBK,含 21000 多个汉字

占 4 个字节的:中日韩超大字符集里面的汉字,有 5 万多个


1 个 utf8 数字占 1 个字节

1 个 utf8 英文字母占 1 个字节


在查找 UTF-8 编码资料时发现,很多的帖子说的 UTF-8 编码里,一个汉字占用3个字节,

有的还做了个证明,大概是这样的,创建一个没有 BOM 的 UTF-8 编码的文本文件,

里面保存了几个汉字,然后查看文件的大小。我觉得这样的证明没有一点说服力,

因为 UTF-8 是变长的,1-6 个字节,少量的汉字检测不能说明所有的汉字都是的


后来我又查看了字符映射表-汉语,找到了正确的答案:

少数是汉字每个占用 3 个字节,多数占用 4 个字节


占用 3 个字节的范围

U+2E80 - U+2EF3 : 0xE2 0xBA 0x80 - 0xE2 0xBB 0xB3      共 115 个  

U+2F00 - U+2FD5 : 0xE2 0xBC 0x80 - 0xE2 0xBF 0x95      共 213 个  

U+3005 - U+3029 : 0xE3 0x80 0x85 - 0xE3 0x80 0xA9      共 36 个  

U+3038 - U+4DB5 : 0xE3 0x80 0xB8 - 0xE4 0xB6 0xB5      共 7549 个  

U+4E00 - U+FA6A : 0xE4 0xB8 0x80 - 0xEF 0xA9 0xAA      共 44138 个  

U+FA70 - U+FAD9 : 0xEF 0xA9 0xB0 - 0xEF 0xAB 0x99      共 105 个  

合计: 52156 个


占用 4 个字节的范围

U+20000 - U+2FA1D : 0xF0 0xA0 0x80 0x80 - 0xF0 0xAF 0xA8 0x9D      共 64029 个  

合计: 64029 个