UTF-8处理中文：中文的处理方式与示例

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。下面重点说明中文的处理方式与示例。

UTF-8处理中文

常用汉字在 UTF-8 中都是 3 字节，首字节在 E4–E9 之间：“中”E4 B8 AD，“文”E6 96 87，“问”E9 97 AE。中文标点（，。“”）也是 3 字节。

示例

输入：中文

编码结果：E4 B8 AD E6 96 87

说明：按 UTF-8 共 6 字节。

命令行示例

# 查看文件编码
file -i notes.txt
# GBK 转 UTF-8
iconv -f GBK -t UTF-8 in.txt > out.txt
# 查看字节
echo -n "中" | xxd     # e4b8 ad

Python 示例

下面是 Python 中处理UTF-8的常用写法：

"中".encode("utf-8")              # b'\xe4\xb8\xad'
b"\xe4\xb8\xad".decode("utf-8")   # '中'
len("123问".encode("utf-8"))      # 6
open("a.txt", encoding="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

【UTF-8 能表示所有汉字吗？】能，包括所有 CJK 扩展区汉字。

【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。

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