UTF-8编码_ 字节宝

如果第一个字节的前两位为 1，第三位为 0（110xxxxx），则表示 UTF-8 使用 2 个字节表示该 Unicode 字符；
如果第一个字节的前三位为 1，第四位为 0（1110xxxx），则表示 UTF-8 使用 3 个字节表示该 Unicode 字符；
依此类推；
如果第一个字节的前六位为 1，第七位为 0（1111110x），则表示 UTF-8 使用 6 个字节表示该 Unicode 字符；

UTF-8 编码的字节含义：对于 UTF-8 编码中的任意字节 B：

如果 B 的第一位为 0（0xxxxxxx），则 B 独立的表示一个 ASCII 字符；
如果 B 的第一位为 1，第二位为 0（10xxxxxx），则 B 为一个多字节表示的字符中的一个字节；
如果 B 的前二 / 三 / 四 / 五 / 六位为 1，其余位为 0，则 B 为二 / 三 / 四 / 五 / 六个字节表示的字符中的第一个字节。

UTF-8 编码示例

Unicode/UTF-8-character table (utf8-chartable.de)

通过 UTF-8 编码表，我们可以看到中文字符 “一” 的 Unicode 代码点为 "U 4E00"，UTF-8 编码结果为 "e4 b8 80"，

对中文字符 “一” 进行 UTF-8 编码，是如何得到 "e4 b8 80" 的呢？我们下面来看。

"4E00" 的二进制表示为 "0100 1110 0000 0000"。

UTF-8 使用 3 个字节表示常用的汉字，因此中文字符对应的字节序列格式为："1110xxxx 10xxxxxx 10xxxxxx"

于是中文字符 “一” 的 UTF-8 编码结果为 "11100100 10111000 10000000"，它的十六进制表示为 "e4 b8 80"

代码语言：java复制

public static void main(String[] args) throws UnsupportedEncodingException {
    byte[] bytes = "一".getBytes("UTF-8");
    // [-28, -72, -128]
    System.out.println(Arrays.toString(bytes));
}

UTF-8 编码的优劣局限

UTF-8 编码的优点

UTF-8 和 ASCII 兼容：ASCII 是 UTF-8 的一个子集。因为一个纯 ASCII 字符串也是一个合法的 UTF-8 字符串，所以现存的 ASCII 文本不需要转换。为传统的扩展 ASCII 字符集设计的软件通常可以不经修改或很少修改就能与 UTF-8 一起使用。

任何面向字节的字符串搜索算法都可以用于 UTF-8 的数据（只要输入仅由完整的 UTF-8 字符组成）。UTF-8 可以保证一个字符的字节序列不会包含在另一个字符的字节序列中。而有些比较旧的可变长度字符编码（如Shift JIS）没有这个特质，故它们的字符串搜索算法变得相当复杂。

UTF-8 字符串可以由一个简单的算法可靠地识别出来。由于 UTF-8 字节序列的设计，如果一个疑似为字符串的序列被验证为 UTF-8 编码，那么我们可以有把握地说它是 UTF-8 字符串。一个字符串在任何其它编码中表现为合法的 UTF-8 的可能性很低，可能性随着字符串长度的增长而减小。举例说明，字符值 C0、C1、F5 至 FF 从来没有出现。为了更好的可靠性，可以使用正则表达式来统计非法过长和替代值（可以查看W3 FAQ: Multilingual Forms上的验证 UTF-8 字符串的正则表达式）。

UTF-8 编码可以通过屏蔽位和移位操作快速读写：屏蔽位是指将字节的高位置零，以便获取低位的值；移位操作是指将字节的低位移动到高位，以便获取高位的值。这样，可以快速读取和写入 UTF-8 编码的字符。

UTF-8 编码的缺点

UTF-8 编码不利于使用正则表达式进行读音检索

正则表达式可以进行很多高级的英文模糊检索。比如，a-h 表示 a 到 h 间的所有字母。

同样 GBK 编码的中文也可以这样利用正则表达式，比如在只知道一个字的读音而不知道怎么写的情况下，也可用正则表达式检索，因为 GBK 编码是按读音排序的。虽然正则表达式检索并未考虑中文的多音字，但是由于中文的多音字数量不多，不少多音字还是同音不同调类型的多音字，所以大多数情况下正则表达式检索是还可以接受的。

但是 Unicode 汉字不是按读音排序的，它是按部首排序，所以不利于用正则表达式进行读音检索。在只知道一个字的部首而不知道如何发音的情况下，UTF-8 可用正则表达式检索而 GBK 不行。

UTF-8 的 ASCII 字符只占用一个字节，比较节省空间，但是更多字符的 UTF-8 编码占用的空间就要多出1/2，特别是中文、日文和韩文（CJK）这样的方块文字，它们大多需要三个字节。

无法根据 Unicode 字符数判断出 UTF-8 文本占用的字节数。因为 UTF-8 是一种可变长度字符编码。

参考资料

UTF-8 - 维基百科，自由的百科全书 (wikipedia.org)

Unicode/UTF-8-character table (utf8-chartable.de)

utf8 unicode ascii 正则表达式编程算法UTF-8编码

0 人点赞