中文字符在文件里到底占几个字节？为什么有时候是3个有时候是2个？为什么同一份文件换个编辑器就乱码？这些问题都指向UTF-8编码原理。按下面步骤把Unicode和UTF-8的关系理清，编码问题基本能自己诊断。
Unicode和UTF-8是什么关系
Unicode是字符集，给全世界每个字符分配一个唯一编号叫码点，比如汉字你对应的码点是U+4F60。但Unicode只规定编号不规定怎么存。UTF-8是Unicode的一种存储实现，把码点转换成字节序列。还有UTF-16、UTF-32等别的实现。所以Unicode是概念层，UTF-8是工程层，这俩不是一回事但常被混用。
第一步：理解UTF-8的变长设计。UTF-8用1到4个字节存一个字符，ASCII字符（码点0到127）用1个字节，和ASCII完全兼容。拉丁字母扩展、希腊字母等用2个字节。中文常用字用3个字节。生僻字和emoji用4个字节。这就是为什么中文字符在UTF-8里占3个字节而不是2个，2个字节是GBK或UTF-16的存法。
第二步：掌握UTF-8的编码规则。每个字节的开头几位指示这个字节的角色。1字节字符以0开头。多字节字符的第一个字节以连续的1开头，1的个数等于总字节数，后面跟个0。后续字节都以10开头。比如3字节字符的第一个字节是1110开头，后两个是10开头。这个设计让解码器能从任意字节判断它是首字节还是续字节，容错性强。
第三步：算出具体编码。以汉字你码点U+4F60为例，4F60的二进制是0100111101100000，共15位。3字节UTF-8能存16位码点，把15位填进去，分成4位6位6位三段，套上1110和10的前缀，得到E4BD A0三个字节。可以用十六进制编辑器打开文件验证，中文你的UTF-8编码就是E4 BD A0。
第四步：理解BOM和字节序。BOM是字节顺序标记，字符U+FEFF。UTF-8没有字节序问题（因为是字节流不是字），所以BOM在UTF-8里没意义，但有些软件会加。UTF-8的BOM是EF BB BF三个字节。这个BOM会导致一些解析器报错，尤其是JSON和XML解析。存文件时选UTF-8无BOM是最稳妥的。
第五步：诊断常见乱码。乱码本质是编码和解码用了不同规则。最典型的是UTF-8存的中文用GBK打开，或反过来。UTF-8中文3字节被GBK按2字节一组读，就会显示成乱码。判断文件是什么编码，看前几个字节：EF BB BF是UTF-8带BOM，FF FE是UTF-16小端，FE FF是UTF-16大端。排除编码问题，统一用UTF-8存一切文件是最佳实践。
几个常被问的问题
【为什么我的中文有时占2字节有时3字节？】占2字节的是GBK或UTF-16编码，占3字节的是UTF-8。同一个字符在不同编码下字节数不同。确认文件用什么编码，字节数才有意义。
【emoji占几个字节？】UTF-8里emoji是4字节，因为它的码点在U+1F000以上。有些老系统或数据库字段用utf8只支持3字节，存emoji会报错，得用utf8mb4。MySQL的utf8mb4才是真正的UTF-8。
【怎么把GBK文件转成UTF-8？】用编辑器打开，另存为时选UTF-8编码。批量转换用iconv命令。注意转完检查有没有乱码，因为GBK有些字符在UTF-8里映射不同。转之前备份原文件。
UTF-8的核心是变长和前缀码设计，理解了码点到字节的映射，编码乱码问题就是送分题。记住ASCII兼容、中文3字节、BOM有害这三条，日常开发能少踩不少坑。
