原文：http://wenwen.sogou.com/z/q550898818.htm
1、美国人首先对其英文字符进行了编码，也就是最早的ascii码，用一个字节的低7位来表示英文的128个字符，高1位统一为0；
2、后来 欧洲 人发现 尼玛 你这128位哪够用，比如我高贵的 法国人 字母上面的还有注 音符 ，这个怎么区分，得，把高1位编进来吧，这样 欧洲 普遍使用一个全 字节 进行 编码 ，最多可表示256位。 欧美 人就是喜欢直来直去， 字符 少， 编码 用得位数少；
3、但是即使位数少，不同国家地区用不同的 字符 编码 ，虽然0--127表示的符号是一样的，但是128--255这一段的解释完全乱套了，即使2 进制 完 全一 样，表示的 字符 完全不一样，比如135在 法语 ， 希伯来语 ，俄语 编码 中完全是不同的符号；
4、更麻烦的是， 尼玛 这 电脑 高科 技传到中国后，中国人发现我们有10万多个汉字，你们 欧美 这256字塞 牙缝 都不够。于是就发明了GB2312这些 汉字 编码 ，典型的用2个 字节 来表示绝大部分的 常用汉字 ，最多可以表示65536个汉字 字符 ，这样就不难理解有些汉字你在 新华字典 里查得到，但是 电脑 上如果不处理一下你是显示不出来的了吧。
5、这下各用各的 字符 集 编码 ，这世界咋统一？ 俄国人 发封email给中国人，两边 字符 集 编码 不同， 尼玛 显示都是乱码啊。为了统一，于是就发明了unicode，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 ，现在unicode可以容纳100多万个符号，每个符号的 编码 都不一样，这下可统一了，所有语言都可以互通， 一个网 页页面里可以同时显示各 国文 字。
6、然而，unicode虽然统一了全世界 字符 的二 进制 编码 ，但没有规定如何 存储 啊，亲。x86和amd 体系结构 的 电脑 小端序和大端序都分不清，别提 计算机 如何识别到底是unicode还是acsii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， 文本文件 的大小会因此大出二三倍，这对于 存储 来说是极大的浪费。这样导致一个后果：出现了Unicode的多种 存储 方式。
7、互联网的兴起，网页上要显示各种 字符 ，必须统一啊，亲。utf-8就是Unicode最重要的实现方式之一。另外还有utf-16、utf-32等。UTF-8不是固定字长 编码 的，而是一种变长的 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。这是种比较巧妙的设计，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 。
8、注意unicode的 字符 编码 和utf-8的 存储 编码 表示是不同的，例如"严"字的Unicode码是4E25，UTF-8 编码 是E4B8A5，这个7里面解释了的，UTF-8 编码 不仅考虑了 编码 ，还考虑了 存储 ，E4B8A5是在 存储 识别 编码 的基础上塞进了4E25。
9、UTF-8 使用一至四个 字节 为每个 字符 编码 。128 个 ASCII 字符 （Unicode 范围由 U+0000 至 U+007F）只需一个 字节 ，带有变 音符 号的 拉丁文 、 希腊文 、 西里尔字母 、 亚美尼亚语 、 希伯来文 、 阿拉伯文 、 叙利亚 文及 马尔代夫 语（Unicode 范围由 U+0080 至 U+07FF）需要二个 字节 ，其他基本多 文种 平面（BMP）中的 字符 （CJK属于此类-Qieqie注）使用三个 字节 ，其他 Unicode 辅助平面的 字符 使用四 字节 编码 。
10、最后，常规来看，中文汉字在utf-8中到底占几个字节，一般是3个字节，最常见的编码方式是1110xxxx 10xxxxxx 10xxxxxx。
字符集
如果UNICODE
字符由2个
字节表示，则编码成UTF-8很可能需要3个
字节。而如果UNICODE
字符由4个字节表示，则编码成UTF-8可能需要6个字节。用4个或6个
字节去编码一个UNICODE
字符可能太多了，但很少会遇到那样的UNICODE字符。 UTF-8转换表表示如下：
|
Unicode/UCS-4
|
bit数
|
UTF-8
|
byte数
|
备注
|
|
0000 ~
007F
|
0~7
|
0XXX XXXX
|
1
|
|
|
0080 ~
07FF
|
8~11
|
110X XXXX
10XX XXXX
|
2
|
|
|
0800 ~
FFFF
|
12~16
|
1110XXXX
10XX XXXX
10XX XXXX
|
3
|
基本定义范围：0~FFFF
|
|
1 0000 ~
1F FFFF
|
17~21
|
1111 0XXX
10XX XXXX
10XX XXXX
10XX XXXX
|
4
|
Unicode6.1定义范围：0~10 FFFF
|
|
20 0000 ~
3FF FFFF
|
22~26
|
1111 10XX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
|
5
|
说明：此非unicode编码范围，属于UCS-4 编码
早期的规范UTF-8可以到达6字节序列，可以覆盖到31位元（通用字符集原来的极限）。尽管如此，2003年11月UTF-8 被 RFC 3629 重新规范，只能使用原来Unicode定义的区域， U+0000到U+10FFFF。根据规范，这些字节值将无法出现在合法 UTF-8序列中
|
|
400 0000 ~
7FFF FFFF
|
27~31
|
1111 110X
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
|
6
|
实际表示ASCII
字符的UNICODE字符，将会编码成1个
字节，并且UTF-8表示与ASCII字符表示是一样的。所有其他的UNICODE
字符转化成UTF-8将需要至少2个
字节。每个
字节由一个
换码序列开始。第一个
字节由唯一的
换码序列，由n位连续的1加一位0组成, 首字节连续的1的个数表示
字符编码所需的字节数。
Unicode转换为UTF-8时，可以将Unicode二进制从低位往高位取出二进制数字，每次取6位，如上述的二进制就可以分别取出为如下示例所示的格式，前面按格式填补，不足8位用0填补。
注：Unicode转换为UTF-8需要的字节数可以根据这个规则计算：如果Unicode小于0X80（Ascii字符），则转换后为1个字节。否则转换后的字节数为Unicode二进制位数加3再除以5。
示例
UNICODE uCA(1100 1010) 编码成UTF-8将需要2个
字节：
uCA -> C3 8A
UNICODE uF03F (11110000 0011 1111) 编码成UTF-8将需要3个
字节:
u F03F -> EF 80 BF
|
Unicode 16进制
|
Unicode 2进制
|
bit数
|
UTF-8 2进制
|
UTF-8 16进制
|
|
CA
|
1100 1010
|
8
|
1100 0011
1000 1010
|
C3 8A
|
|
F0 3F
|
11110000 0011 1111
|
16
|
11101111
1000 0000
1011 1111
|
EF 80 BF
|