中文字元Unicode和UTF-8的編碼為什麼不能一樣？

01-16

比如漢字「中」
在Unicode中編碼
01001110 00101101
在UTF-8中為
11100100 10111000 10101101

當初這麼設計是迫不得已的嗎。

Unicode 字符集，定義的是 "一個字元" 和 "一個整數"之間的映射（這樣一個位置在字符集里稱作 code point）

其中，「中」字對應的那個「整數」是 01001110 00101101

用 U + 「整數」這樣的記法表示。

「數」被分成了很多區，最大的數現在不會超過 0x10FFFF。

參見 http://en.wikipedia.org/wiki/Unicode

----

有了這樣的映射關係，接下來的問題是，如何在計算機里表示這些對應「字元」的「整數」。

於是就有了 UTF-8/16/32 這些具體的編碼方式。

----

UTF-32 最簡單，直接用 32 位整數（4 Byte）表示字元對應的「整數」，不管是什麼字元，都用 32 位。

----

但是這樣做浪費了很多空間。有些字對應的「數」很小，不需要 32-bits 就可以表示。為此人們制定了UTF-8 和 UTF-16 的「編碼」方式。

----

具體介紹下 UTF-8。參見 http://en.wikipedia.org/wiki/UTF-8

UTF-8 會用 1-6 個位元組表示字符集中的一個「數」。

----

對於在 U + 0000 到 U + 007F 之間的」整數「，用一個 Byte 就可以表示。這個 Byte 的第一位是0，後 7 位 x 對應 code point。

0xxxxxxx

----

對於在 U + 0080 到 U + 07FF 之間的「整數」，用兩個 Byte 表示。

110xxxxx | 10xxxxxx

分別去掉這兩個 Byte 前面的 110 和 10，把剩下的 x 拼起來就是對應字元的那個「數」了

----

中：11100100 10111000 10101101

三個位元組，格式是 3 | 1110xxxx | 10xxxxxx | 10xxxxxx

把 x 對應的位提取出來：

0100 111000 101101

就是

01001110 00101101

了

----

剩下的不再列舉，題主可以去看 wiki。

----

// UTF - 8

// 7 U + 0000 U + 007F 1 | 0xxxxxxx

// 11 U + 0080 U + 07FF 2 | 110xxxxx | 10xxxxxx

// 16 U + 0800 U + FFFF 3 | 1110xxxx | 10xxxxxx | 10xxxxxx

// 21 U + 10000 U + 1FFFFF 4 | 11110xxx | 10xxxxxx | 10xxxxxx | 10xxxxxx

「Unicode」是一整套技術標準，包括字符集、編碼方案等。
沒有「Unicode」這種編碼。
Windows 把帶有 BOM 的小端序 UTF-16 稱作「Unicode」，這是錯誤的措詞，不要學。參見：Windows 記事本的 ANSI、Unicode、UTF-8 這三種編碼模式有什麼區別？
UTF-16（2位元組或4位元組變長）和 UTF-8（目前用到的為1至4位元組變長）本來就是兩種編碼，只有在不超過 U+007F（ASCII 的範圍）時低位才一樣。自己去維基百科看 UTF-8 的介紹：UTF-8（閱讀能力尚可的話最好去看 Unicode 官方文檔。）

Character set encoding Unicode, gb2312 cp936

UTF-8 Everywhere

字符集和字元編碼（Charset Encoding）

----

Unicode是一個編號的定義，UTF-8 是一種序列化格式約定，用於存儲或者傳輸。

出現各種UTF 編碼是出於

兼容

效率

等各種目的的需要。

比如UTF-8 兼容ASCII的前128個符號，所有保存為ASCII的文檔用UTF-8來處理毫無障礙。

對於大量東亞字元文檔，UTF-16存儲效率比較高，尤其是emoji。

有些早期網路設備只傳送7位每位元組，最高位第8位會被丟棄，所以也有UTF-7的方案。

出於編碼方案的高效處理的目的，盡量讓同組編碼能線性映射，編號時，有時候會空出一些字元區間，這部分有些和某個編碼的擴展標記或者條件有關。

https://zhuanlan.zhihu.com/p/26261762

unicode不是編碼，沒有形式的。utf-8才是編碼形式

Unicode是字符集，而UTF-8是它的一種實現方式。