为什么一个汉字查出来的Unicode是2个字节(16位)，但UTF-8转出来却是3个字节(24位)？

Java 2099℃

今天在使用java的String类的byte[] getBytes()方法，发现汉字转出来的数组是三个字节，都知道UTF-8的中文字符占三个字节，这个没有问题，可是使用Unicode编码转换查出来的汉字只有两个字节，这底层又是如何对应存储的呢？我仔细研究了下，专门记录于此，以备后用：

首先计算机底层是使用二进制存储的，一个二进制叫做位或比特(bit)，8位(bit)叫一个字节(byte)，一个字符占多少字节取决于编码方式，例如查到”李”对应的Unicode十六进制编码是：\u674e。通过计算器换算成二进制：

0110  0111  0100  1110

至此，可以得出的结论是汉字使用Unicode字符集存储应该占两个字节(16位)。

接下来，使用java将其转换成字节数组形式：

byte[] bytes = "李".getBytes("utf-8");
for (byte b : bytes) {
    System.out.println(b);
}
输出：
-26
-99
-114

通过计算器将-26、-99、-114这个三个数字转成二进制：

1110  0110  1001  1101  1000  1110

猛一看，发现这串二进制数字和上面的Unicode对应的二进制数字没有任何相似之处啊，明明网上说法是“UTF-8是Unicode的一种实现方式”，但是这明显没有半毛钱关系啊，我靠，难道网上这些人在胡说，还是我的打开方式不对？？

心想，你两不是没关系吗?那我就把你们硬两放在一起，让你们发生点关系。。。

11100110    10011101    10001110
    0110      011101      001110

这么一分割，貌似还真有点关系了，上网找到如下资料：

Unicode符号范围           |  UTF-8编码方式
(十六进制)                      | （二进制）
—————————————————————–————————————–
0000 0000-0000 007F   | 0xxxxxxx                 #UTF-8规定此范围字符占1字节，首位定死为0。
0000 0080-0000 07FF   | 110xxxxx 10xxxxxx  #UTF-8规定占2字节，高位字节前3位为110，低位前2位为10。
0000 0800-0000 FFFF   | 1110xxxx 10xxxxxx 10xxxxxx  #占3字节，高位字节前3位为1110，后面低位前2位一律为10。
0001 0000-0010 FFFF   | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx #占4字节，高位字节前3位为11110，后面前2位一律为10。

这下再想想“utf-8是一种变长字节编码方式”这句话，说的是这个意思啊。

转载请注明：零五宝典 » 为什么一个汉字查出来的Unicode是2个字节(16位)，但UTF-8转出来却是3个字节(24位)？

相关文章