UTF-8是什么意思：核心要点一览

UTF-8 是 Unicode 最常用的存储编码，用 1–4 个字节表示一个字符：ASCII 字符 1 字节，拉丁字母扩展 2 字节，常用汉字 3 字节，emoji 等 4 字节。下面重点说明核心要点一览。

UTF-8是什么意思

• U+0000–U+007F：1 字节 0xxxxxxx
• U+0080–U+07FF：2 字节 110xxxxx 10xxxxxx
• U+0800–U+FFFF：3 字节 1110xxxx 10xxxxxx 10xxxxxx（常用汉字）
• U+10000–U+10FFFF：4 字节 11110xxx + 3 个 10xxxxxx
• 带 BOM 的 UTF-8 文件开头是 EF BB BF

示例

输入：123问

编码结果：31 32 33 E9 97 AE

说明：按 UTF-8 共 6 字节。

怎样核对结果

校验是否为合法 UTF-8：Python 尝试 decode("utf-8")，Go 用 utf8.Valid，命令行用 iconv -f UTF-8 -t UTF-8 file > /dev/null，报错即说明有非法字节。

Java 示例

下面是 Java 中处理UTF-8的常用写法：

byte[] b = "中".getBytes(StandardCharsets.UTF_8);   // [-28, -72, -83]
String s = new String(b, StandardCharsets.UTF_8);

运行前确认输入的字符集（推荐 UTF-8），结果可以用本站工具交叉核对。

本站的字符编码检测工具可以直接处理，计算在浏览器本地完成，适合快速核对结果。

常见问题

【一个汉字在 UTF-8 中占几个字节？】常用汉字 3 个字节；扩展 B 区及以后的生僻字 4 个字节。

【UTF-8 和 utf8mb4 有什么区别？】utf8mb4 是 MySQL 中真正完整的 UTF-8；MySQL 的 utf8 最多 3 字节，不能存 emoji。

【什么是 BOM？】文件开头的 EF BB BF 三个字节，用来标记 UTF-8。网页和脚本文件建议不加。

文中示例可以在本站对应工具中验证；处理密码、证件号等敏感数据时，请注意保护隐私。

标签： 文本处理