历史背景
UTF‑8（8‑bit Unicode Transformation Format），1992年由Ken Thompson、Rob Pike设计，是Unicode的可变长编码方案。
- 早期Unicode有UTF‑16，但是不兼容老式ASCII；
- UTF‑8设计目标：完全兼容ASCII，同时可以表示全部Unicode码点，很快成为互联网事实标准。
- 现在网页、JSON、Linux文件、绝大多数网络传输默认都是UTF‑8。
区分： Unicode：字符集（给字符分配码点U+xxxx） UTF‑8：编码方式（把码点转换成字节流）
核心规则
UTF‑8是可变长度编码，一个Unicode码点占用 1‑4 个字节。
| 码点范围 | 字节数 | 二进制格式 | 示例 |
|---|---|---|---|
| U+0000 ~ U+007F | 1字节 | 0xxxxxxx | ASCII字符（A、数字） |
| U+0080 ~ U+07FF | 2字节 | 110xxxxx 10xxxxxx | 拉丁扩展、部分符号 |
| U+0800 ~ U+FFFF | 3字节 | 1110xxxx 10xxxxxx 10xxxxxx | 绝大多数汉字、日文韩文（BMP平面） |
| U+10000 ~ U+10FFFF | 4字节 | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx | emoji、生僻古汉字（辅助平面） |
编码规则要点
- 首字节标记总字节数：
- 以
0开头 → 1字节（ASCII） - 以
110开头 → 2字节 - 以
1110开头 → 3字节 - 以
11110开头 → 4字节
- 以
- 后续字节（续字节）固定以
10开头，这是UTF‑8的校验标志。 - 最大支持到
U+10FFFF，完整覆盖全部Unicode码点。
例子
- 字符
A，码点U+0041→ UTF‑8：0x41（1字节） - 汉字
中，码点U+4E2D→ UTF‑8：0xE4 0xB8 0xAD（3字节） - 😀笑脸，码点
U+1F600→ UTF‑8：0xF0 0x9F 0x98 0x80（4字节）
优缺点
✅优点
- 向下完全兼容ASCII：ASCII文件直接就是合法UTF‑8，不用转换。
- 网络传输友好，没有大小端问题（不像UTF‑16需要BOM标记）。
- 英文文本体积小；中文文本3字节。
❌缺点
- 汉字占用3字节，比UTF‑16的2字节更大；
- 可变长，不能直接按字节下标取第N个字符，必须解析字节流。
BOM 说明
UTF‑8不推荐使用BOM（字节顺序标记 0xEFBBBF）。
- 部分Windows软件会自动给UTF‑8文件加上BOM；
- 但网页、JSON、Linux环境一般禁止BOM，带BOM会造成解析异常。
对比简要
- UTF‑8：可变长，互联网首选，无大小端；
- UTF‑16：Windows/Java内部，BMP字符2字节；
- UTF‑32：固定4字节，极少用于存储。
一句话总结
UTF‑8就是把Unicode码点，转换成1‑4字节的二进制字节流，兼容ASCII，是现在全世界互联网最通用的编码。