从字节理解Unicode（UTF8/UTF16)

如果你不知道或者不了解什么是Unicode/UTF8/UTF16，请详细阅读这篇文章（这也是这篇博文的先决条件）：

学点编码知识又不会死：Unicode的流言终结者和编码大揭秘

但是如果你看完以上文章后，疑惑为什么一个Unicode:0x4F60（对应汉字是"你"）会在UTF8下占用3个字节的存储空间。

按照排列组合2个字节完全可以存储多数unicode字符，明显字符"你"（0x4F60）是在2个字节最大可能范围内（0xFFFF）。

但是为什么UTF8却使用3个字节存储字符"你"呢？这样不是明显浪费存储空间吗？

答案不仅是UTF8没有浪费存储空间，而且UTF8还是一个精美的设计，至少在我看来。

Unicode/UTF8/UTF16

虽然你或许可能知道什么UTF8，但是我还是要简单介绍下什么是UTF8？什么是UTF16？什么是unicode？

看完我开头推荐的那篇详细的博文（学点编码知识又不会死：Unicode的流言终结者和编码大揭秘）。你应该知道unicode是一种索引表，它规定了任何字符的code。比如：字符"你"就是0x4F60,在整个宇宙（你确定是整个宇宙？）的任何地方，只要你用的是unicode，那么"你"的unicode就是"0x4F60"。

所以Unicode并不关心世界上有多少字符，如果你想把一个字符放入Unicode中，那么请告诉我你要放的是什么字符？那么Unicode会给你个索引号码？比如：汉字"你"就是"0x4F60"。也就是假如有一天人类统一了"三体星人"（可惜的是三体星已经被摧毁了。。），我们也可以把三体星文加入到Unicode中。

当然Unicode同样不关心你怎么实现，你怎么把字符编码成字节？所以unicode并不知道字符"你"占用几个字节。这时候就是UTF(Unicode Transformation Formats)来规定unicode字符该如何存储，占用几个字节？

总而言之：

Unicode定义世界每个字符的索引值。

UTF8/UTF16实现Unicode的标准，把字符存储到存储介质中。

从字节角度看UTF8

我们知道存储字节多少只和UTF有关，那么我们先看UTF8一张表.详情请查看wikipedia的介绍 。当然你看百度百科也是可以的。

Bits of code point	First code point	Last code point	Bytes in sequence	Byte 1	Byte 2	Byte 3	Byte 4	Byte 5	Byte 6
7	U+0000	U+007F	1	0xxxxxxx
11	U+0080	U+07FF	2	110xxxxx	10xxxxxx
16	U+0800	U+FFFF	3	1110xxxx	10xxxxxx	10xxxxxx
21	U+10000	U+1FFFFF	4	11110xxx	10xxxxxx	10xxxxxx	10xxxxxx
26	U+200000	U+3FFFFFF	5	111110xx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx
31	U+4000000	U+7FFFFFFF	6	1111110x	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx

根据这张表，我们可以知道0x4F60（字符"你"）是在范围（0x0800-0xFFFF），所以在UF8下需要3个字节来存储。

下面让例子来阐述为什么需要3个字节？首先，先看下这3个字节存放的是什么？

在windows新建一个txt，写入字符"UTF8你"（加入UTF8是为了有个基准线查看"你"的真实字节值），然后另存为UTF8编码。用notepad++（需要装HEX-editor插件）或者Binary Viewer，查看"你"在UTF8下的16进制值。

我们知道字符"UTF8"16进制就是他们的ASNI码"0x55,0x54,0x46,0x38".那么字符"你"在UTF8下3个字节的值是"0xE4/0xBD/0xA0".

"0xE4"-->"11100100".

"0xBD"-->"10111101".

"0xA0"-->"10100000".

查看上面UTF8的表，表给出给出每个字节 的前几个固定的二进制数。

比如3个字节的Unicode会用到这个格式："1110xxxx 10xxxxxx 10xxxxxx"来存储字符，对应到字符"你"就是"11100100 /10111101/ 10100000"。

拿出红色标注的部分"0100 111101 100000"，转换成16进制就是"0x4F60"也就对应的是Unicode字符"你"。

现在我们可以知道UTF8固定每个字节的前面几位二进制值，然后用其他的位来表示字符。但是为什么UTF8的设计者们要这样设计呢？

我想这是UTF8为了兼容ASNI所要付出的代价，请查看上表，UTF8下是完全兼容asni，也就是asni标准的下的文档，在UTF8下显示完全不是问题（因为ASNI存储字节值和UTF8是一样的）。字符都是一个一个字节存储的，UTF8肯定是一个一个字节的读取，那么UTF8怎么在完全兼容ASNI前提下，是怎么知道某个字符是需要额外字节信息的？UTF8只有固定前几位二进制来决定这个字符需要以后的几个字节，又因为为了兼容ASNI，所以额外字节也需要固定前2位"10xxxxxx"，来决定这个字节值不是代表ASNI字符。ASNI的格式是“0xxxxxxx”。

另外，你也完全可以自己实现一个标准来解释Unicode，比如就叫做UTF9吧，只要你能完全解释Unicode。

实际上是有UTF7,UTF8,UTF16,UTF32的。

从字节角度看UTF16

同样的，我们把txt:"UTF8你"另存为UTF16编码（windows下unicode编码就是指UTF16）。

UTF16下的每个字符需要是2个或者4个字节。

字符"UTF8"在UTF16下就是"0x55/0x0054/0x0045/0x0038",那为什么图片中是0x5500呢？这涉及到高字节序和低字节序。开头的那篇文章也有介绍。字节序仅仅就是先把字符的高位或者低位先放入存储的而已。

1. 高字节序，高位字节被存在前面
2. 低字节序，低位字节被存在前面

比如字符"你""0x4F60"，第一个字节是"4F"是"高位"，第二个字节是"60"是"低位".

稍微解释下为什么左边是高位，玩笑话就是想想你的银行账户当然是左面数值多才有意义啊。

那么按照"低字节序" "0x4F60"就被存储为"60 4F"拉。在intel CPU下默认是"低字节序"。

在UTF16下，存储的字节值和unicode是一一对应的。但是UTF16显示英文（asni）就浪费一个字节。所以英文国家用UTF8的编码比较多。反之其他国家用UTF16的较多。

字节顺序标记(BOM)

不知道你有没有注意到，在UTF16下的这张图，地址第0，第1位是"FF FE"

这就是BOM，通过FF FE或者FE FF来告诉解释器是那种字节序。

那么你也许会问，为什么UTF8没有字节序呢？那是因为UTF8是以字节为单位，一个一个字节读取。UTF16是以字为单位，一个一个字符（2个字节或者4个字节）读取，这样就会涉及先读取第一个或者第二个字节的情况。

希望这篇文章从存储字节角度看UTF8和UTF16会为给你带来不一样的感觉。