- 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。
GBK编码,一个汉字占两个字节。汉字在GB家族中是双字节
UTF-16编码,通常汉字占两个字节,CJKV扩展B区、扩展C区、扩展D区中的汉字占四个字节(一般字符的Unicode范围是U+0000至U+FFFF,而这些扩展部分的范围大于U+20000,因而要用两个UTF-16)。
UTF-8编码是变长编码,通常汉字占三个字节,扩展B区以后的汉字占四个字节。但在UTF-8中却是3字节 所以其编码方式是1110xxxx 10xxxxxx 10xxxxxx UTF-8 使用一至四个字节为每个字符编码。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