UTF-8是Unicode的一種實作方式，也就是它的位元組結構有特殊要求，是以我們說一個漢字的範圍是0X4E00到0x9FA5，是指unicode值，至于放在utf-8的編碼裡去就是由三個位元組來組織，是以可以看出unicode是給出一個字元的範圍，定義了這個字是碼值是多少，至于具體的實作方式可以有多種多樣來實作。
UTF-8是一種變長位元組編碼方式。對于某一個字元的UTF-8編碼，如果隻有一個位元組則其最高二進制位為0；如果是多位元組，其第一個位元組從最高位開始，連續的二進制位值為1的個數決定了其編碼的位數，其餘各位元組均以10開頭。UTF-8最多可用到6個位元組。
如表：
1位元組 0xxxxxxx
2位元組 110xxxxx 10xxxxxx
3位元組 1110xxxx 10xxxxxx 10xxxxxx
4位元組 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5位元組 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6位元組 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
是以UTF-8中可以用來表示字元編碼的實際位數最多有31位，即上表中x所表示的位。除去那些控制位（每位元組開頭的10等），這些x表示的位與UNICODE編碼是一一對應的，位高低順序也相同。
實際将UNICODE轉換為UTF-8編碼時應先去除高位0，然後根據所剩編碼的位數決定所需最小的UTF-8編碼位數。
是以那些基本ASCII字元集中的字元（UNICODE相容ASCII）隻需要一個位元組的UTF-8編碼（7個二進制位）便可以表示。
對于上面的問題，代碼中給出的兩個位元組是
十六進制：C0 B1
二進制：11000000 10110001
對比兩個位元組編碼的表示方式：
110xxxxx 10xxxxxx
提取出對應的UNICODE編碼：
00000 110001
可以看出此編碼并非“标準”的UTF-8編碼，因為其第一個位元組的“有效編碼”全為0，去除高位0後的編碼僅有6位。由前面所述，此字元僅用一個位元組的UTF-8編碼表示就夠了。
JAVA在把字元還原為UTF-8編碼時，是按照“标準”的方式處理的，是以我們得到的是僅有1個位元組的編碼。
大家可以試試運作這段代碼：
|
運作結果為：
原數組長度：1 轉換為字元串：1 轉回後數組長度：1
原數組長度：2 轉換為字元串：1 轉回後數組長度：1
原數組長度：3 轉換為字元串：1 轉回後數組長度：1
原數組長度：4 轉換為字元串：1 轉回後數組長度：1
原數組長度：5 轉換為字元串：1 轉回後數組長度：1
原數組長度：6 轉換為字元串：1 轉回後數組長度：1
另轉：
字元編碼筆記：ASCII，Unicode和UTF-8
今天中午，我突然想搞清楚Unicode和UTF-8之間的關系，于是就開始在網上查資料。
結果，這個問題比我想象的複雜，從午飯後一直看到晚上9點，才算初步搞清楚。
下面就是我的筆記，主要用來整理自己的思路。但是，我盡量試圖寫得通俗易懂，希望能對其他朋友有用。畢竟，字元編碼是計算機技術的基石，想要熟練使用計算機，就必須懂得一點字元編碼的知識。
1. ASCII碼
我們知道，在計算機内部，所有的資訊最終都表示為一個二進制的字元串。每一個二進制位（bit）有0和1兩種狀态，是以八個二進制位就可以組合出256種狀态，這被稱為一個位元組（byte）。也就是說，一個位元組一共可以用來表示256種不同的狀态，每一個狀态對應一個符号，就是256個符号，從0000000到11111111。
上個世紀60年代，美國制定了一套字元編碼，對英語字元與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。
ASCII碼一共規定了128個字元的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符号（包括32個不能列印出來的控制符号），隻占用了一個位元組的後面7位，最前面的1位統一規定為0。
2、非ASCII編碼
英語用128個符号編碼就夠了，但是用來表示其他語言，128個符号是不夠的。比如，在法語中，字母上方有注音符号，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用位元組中閑置的最高位編入新的符号。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符号。
但是，這裡又出現了新的問題。不同的國家有不同的字母，是以，哪怕它們都使用256個符号的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符号。但是不管怎樣，所有這些編碼方式中，0—127表示的符号是一樣的，不一樣的隻是128—255的這一段。
至于亞洲國家的文字，使用的符号就更多了，漢字就多達10萬左右。一個位元組隻能表示256種符号，肯定是不夠的，就必須使用多個位元組表達一個符号。比如，簡體中文常見的編碼方式是GB2312，使用兩個位元組表示一個漢字，是以理論上最多可以表示256x256=65536個符号。
中文編碼的問題需要專文讨論，這篇筆記不涉及。這裡隻指出，雖然都是用多個位元組表示一個符号，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關系的。
3.Unicode
正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符号。是以，要想打開一個文本檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，将世界上所有的符号都納入其中。每一個符号都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符号的編碼。
Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符号。每個符号的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符号對應表，可以查詢unicode.org，或者專門的漢字對應表。
4. Unicode的問題
需要注意的是，Unicode隻是一個符号集，它隻規定了符号的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。
比如，漢字“嚴”的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符号的表示至少需要2個位元組。表示其他更大的符号，可能需要3個位元組或者4個位元組，甚至更多。
這裡就有兩個嚴重的問題，第一個問題是，如何才能差別unicode和ascii？計算機怎麼知道三個位元組表示一個符号，而不是分别表示三個符号呢？第二個問題是，我們已經知道，英文字母隻用一個位元組表示就夠了，如果unicode統一規定，每個符号用三個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是0，這對于存儲來說是極大的浪費，文本檔案的大小會是以大出二三倍，這是無法接受的。
它們造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間内無法推廣，直到網際網路的出現。
5.UTF-8
網際網路的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在網際網路上使用最廣的一種unicode的實作方式。其他實作方式還包括UTF-16和UTF-32，不過在網際網路上基本不用。重複一遍，這裡的關系是，UTF-8是Unicode的實作方式之一。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符号，根據不同的符号而變化位元組長度。
UTF-8的編碼規則很簡單，隻有二條：
1）對于單位元組的符号，位元組的第一位設為0，後面7位為這個符号的unicode碼。是以對于英語字母，UTF-8編碼和ASCII碼是相同的。
2）對于n位元組的符号（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符号的unicode碼。
下表總結了編碼規則，字母x表示可用編碼的位。
Unicode符号範圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面，還是以漢字“嚴”為例，示範如何實作UTF-8編碼。
已知“嚴”的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍内（0000 0800-0000 FFFF），是以“嚴”的UTF-8編碼需要三個位元組，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然後，從“嚴”的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是“11100100 10111000 10100101”，轉換成十六進制就是E4B8A5。
6. Unicode與UTF-8之間的轉換
通過上一節的例子，可以看到“嚴”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程式實作。
在Windows平台下，有一個最簡單的轉化方法，就是使用内置的記事本小程式Notepad.exe。打開檔案後，點選“檔案”菜單中的“另存為”指令，會跳出一個對話框，在最底部有一個“編碼”的下拉條。
裡面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是預設的編碼方式。對于英文檔案是ASCII編碼，對于簡體中文檔案是GB2312編碼（隻針對Windows簡體中文版，如果是繁體中文版會采用Big5碼）。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個位元組存入字元的Unicode碼。這個選項用的little endian格式。
3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完”編碼方式“後，點選”儲存“按鈕，檔案的編碼方式就立刻轉換好了。
7. Little endian和Big endian
上一節已經提到，Unicode碼可以采用UCS-2格式直接存儲。以漢字”嚴“為例，Unicode碼是4E25，需要用兩個位元組存儲，一個位元組是4E，另一個位元組是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。
這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。在該書中，小人國裡爆發了内戰，戰争起因是人們争論，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。為了這件事情，前後爆發了六次戰争，一個皇帝送了命，另一個皇帝丢了王位。
是以，第一個位元組在前，就是”大頭方式“（Big endian），第二個位元組在前就是”小頭方式“（Little endian）。
那麼很自然的，就會出現一個問題：計算機怎麼知道某一個檔案到底采用哪一種方式編碼？
Unicode規範中定義，每一個檔案的最前面分别加入一個表示編碼順序的字元，這個字元的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個位元組，而且FF比FE大1。
如果一個文本檔案的頭兩個位元組是FE FF，就表示該檔案采用大頭方式；如果頭兩個位元組是FF FE，就表示該檔案采用小頭方式。
8. 執行個體
下面，舉一個執行個體。
打開”記事本“程式Notepad.exe，建立一個文本檔案，内容就是一個”嚴“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式儲存。
然後，用文本編輯軟體UltraEdit中的”十六進制功能“，觀察該檔案的内部編碼方式。
1）ANSI：檔案的編碼就是兩個位元組“D1 CF”，這正是“嚴”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的。
2）Unicode：編碼是四個位元組“FF FE 25 4E”，其中“FF FE”表明是小頭方式存儲，真正的編碼是4E25。
3）Unicode big endian：編碼是四個位元組“FE FF 4E 25”，其中“FE FF”表明是大頭方式存儲。
4）UTF-8：編碼是六個位元組“EF BB BF E4 B8 A5”，前三個位元組“EF BB BF”表示這是UTF-8編碼，後三個“E4B8A5”就是“嚴”的具體編碼，它的存儲順序與編碼順序是一緻的。
9. 延伸閱讀
* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（關于字元集的最基本知識）
* 談談Unicode編碼
* RFC3629：UTF-8, a transformation format of ISO 10646（如果實作UTF-8的規定）
（完）
![Eclipse修改編碼格式（修改字元集）[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)