UTF-8字符集问题：字符集与跨系统一致性

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。下面重点说明字符集与跨系统一致性。

UTF-8字符集问题

编码问题的关键是“写入和读取使用同一种字符集”：文件保存、数据库连接（SET NAMES utf8mb4）、HTTP 响应头、HTML meta 都要统一为 UTF-8。

示例

输入：你好，世界

编码结果：E4 BD A0 E5 A5 BD EF BC 8C E4 B8 96 E7 95 8C

说明：按 UTF-8 共 15 字节。

与相关技术的区别

UTF-8 与 GBK：UTF-8 覆盖全部 Unicode，汉字 3 字节；GBK 只覆盖简繁汉字和部分符号，汉字 2 字节，但不能表示 emoji 和多数外文。UTF-8 与 UTF-16：UTF-16 中 BMP 字符 2 字节，适合内存中处理（Java、JavaScript、Windows 内部），但不兼容 ASCII。

中文的处理

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。

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

【“中文”是什么乱码？】UTF-8 编码的“中文”被按 Latin-1/Windows-1252 解读的结果。

【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。

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： 编码 文本处理