unicode和utf-8的比较

UTF-8的一个特点是它是一种变长编码方式。它可以用1~4个字节来表示一个符号，字节长度根据不同的符号而不同。 UTF-8的编码规则很简单，只有两条：

1）对于单字节符号，字节的第一位设置为0，后7位为该符号的unicode编码。所以对于英文字母，UTF-8编码和ASCII编码是一样的。

2）对于n字节符号（n>1），第一个字节的前n位全部设为1，第n+1位设为0，后面字节的前两位全部设为10. 其余未提及的二进制位均为该符号的unicode编码。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式

(十六进制) | （二进制）

----------------------+---------------------------------------------

0000 0000-0000 007F | 0xxxxxxx

0000 0080-0000 07FF | 110xxxxx 10xxxxxx

0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx

0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

以汉字“严”为例，演示如何实现UTF-8编码。

已知的“严格”unicode 是 4E25 (100111000100101)。根据上表可以发现4E25在第三行（0000 0800-0000 FFFF）范围内，所以“严格”的UTF-8编码需要三个字节，即格式为“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“strict”的最后一个二进制位开始，从后往前依次填入格式中的x，多余的位补0。这样，“strict”的UTF-8编码就是“11100100 10111000 10100101”，转成十六进制为E4B8A5。