String 一个Unicode字符需要多少字节？

我对编码有点困惑。据我所知，旧的ASCII字符每个字符占用一个字节。一个Unicode字符需要多少字节

我假设一个Unicode字符可以包含任何语言中所有可能的字符，对吗？那么每个字符需要多少字节呢

UTF-7、UTF-6、UTF-16等是什么意思？它们是Unicode的不同版本吗

---

我读了这本书，但对我来说很难。我期待着看到一个简单的答案。

我也在上面打开了维基百科页面，在介绍部分我看到了“Unicode可以通过不同的字符编码实现。最常用的编码是UTF-8（任何ASCII字符使用一个字节，在UTF-8和ASCII编码中具有相同的代码值，其他字符最多使用四个字节），现已过时的UCS-2（每个字符使用两个字节，但不能在当前的Unicode标准中对每个字符进行编码）

正如这段引文所示，您的问题在于，您假设Unicode是一种编码字符的单一方式。实际上，Unicode有多种形式，在这段引文中，其中一种甚至与您习惯的情况一样，每个字符有1个字节

---

因此，您想要的简单答案是它是不同的。

在Unicode中，答案不容易给出。正如您已经指出的，问题在于编码

如果任何英语句子没有变音字符，UTF-8的答案将是字符的字节数，而UTF-16的答案将是字符数乘以2

到目前为止，我们唯一可以声明大小的编码是UTF-32。在这里，每个字符总是32位，尽管我认为代码点已经为未来的UTF-64做好了准备：）

让它如此困难的至少有两件事：

组合字符，其中用户决定将重音和基本字符（`a）组合起来，而不是使用已加重音/变音（À）的字符实体

代码点。代码点是UTF编码允许编码的比特数超过其名称通常允许的比特数的方法。例如，UTF-8指定某些字节，这些字节本身无效，但当后跟有效的连续字节时，将允许描述超出8位范围0..255的字符。请参阅下面关于UTF-8的维基百科文章中的和超长编码。

• 这里给出的一个很好的例子是，欧元字符（代码点

  U+20AC

  可以表示为三字节序列

  E2 82 AC

  或四字节序列

  F0 82 AC

• 这两种方法都是有效的，这表明当谈论“Unicode”而不是Unicode的特定编码（如UTF-8或UTF-16）时，答案是多么复杂

---

简单地说，

Unicode

是一种为世界上所有字符分配一个数字（称为代码点）的标准（其工作仍在进行中）

现在您需要使用字节来表示这些代码点，这被称为

字符编码
UTF-8、UTF-16、UTF-6
是表示这些字符的方法

UTF-8
是多字节字符编码。字符可以有1到6个字节（其中一些现在可能不需要）

UTF-32
每个字符有4个字节和一个字符

UTF-16
对每个字符使用16位，它只表示一部分称为BMP的Unicode字符（就所有实际用途而言，已经足够了）。Java在其字符串中使用这种编码。
您将看不到简单的答案，因为没有简单的答案

首先，Unicode并不包含“每种语言的每一个字符”，尽管它确实尝试过

Unicode本身是一种映射，它定义了码点，码点是一个数字，通常与一个字符相关联。我之所以这样说，通常是因为有一些概念，比如组合字符。你可能熟悉重音或umlauts。这些可以与另一个字符一起使用，例如
a
或
u
，以创建新的字符逻辑字符。因此，一个字符可以由1个或多个代码点组成

为了在计算系统中有用，我们需要为这些信息选择一种表示形式。这些是各种unicode编码，如utf-8、utf-16le、utf-32等。它们的主要区别在于它们的代码单元的大小。utf-32是最简单的编码，它有一个32位的代码单元，这意味着单个代码点适合com其他编码会出现这样的情况：一个代码点需要多个代码单元，或者该特定代码点根本无法在编码中表示（这是UCS-2的一个问题）

由于组合字符的灵活性，即使在给定的编码中，每个字符的字节数也可能因字符和规范化形式而异。这是一种用于处理具有多个表示形式的字符的协议（可以说是带有重音的“a”）

是两个码点，其中一个是组合字符或

“重音'a'”

是一个码点）。

有一个很好的工具可以计算UTF-8中任何字符串的字节：

---

更新：@mathias已公开代码：

检查此项。例如，输入

0x2009

，其中，在“0x…表示法”字段中，单击转换。十六进制数

E2 80 89

（3字节）显示在“UTF-8代码单位”中字段。

我知道这个问题很老，而且已经有了公认的答案，但我想举几个例子（希望对其他人有用）

据我所知，旧的ASCII字符每个字符占用一个字节

对。实际上，由于ASCII是一种7位编码，它支持128个代码（95

Binary    Hex          Comments
0xxxxxxx  0x00..0x7F   Only byte of a 1-byte character encoding
10xxxxxx  0x80..0xBF   Continuation byte: one of 1-3 bytes following the first
110xxxxx  0xC0..0xDF   First byte of a 2-byte character encoding
1110xxxx  0xE0..0xEF   First byte of a 3-byte character encoding
11110xxx  0xF0..0xF7   First byte of a 4-byte character encoding

[0xD800 - 0xDBFF]  [0xDC00 - 0xDFF]

1 byte:       0 -     7F     (ASCII)
2 bytes:     80 -    7FF     (all European plus some Middle Eastern)
3 bytes:    800 -   FFFF     (multilingual plane incl. the top 1792 and private-use)
4 bytes:  10000 - 10FFFF

2 bytes:      0 -   D7FF     (multilingual plane except the top 1792 and private-use )
4 bytes:   D800 - 10FFFF

4 bytes:      0 - 10FFFF