我相信任何一位中国开发者，都绝对遇到过乱码这个问题。中文，特别是繁简中文的转换出现乱码是家常便饭。为何会出现乱码？到底计算机是如何存储我们的中文的？今天就让我们一起来深入了解一下：

要搞清楚编码问题，必不可少需要对计算机数据存储原理的认识。我们都知道计算机只存储二进制，也即0和1。那么机器又是如何将我们人类可以识别的文字转换为0和1存起来呢？

大家还记得自己刚编程入坑时接触的ASCII码吗？可能很多人学了之后也不清楚ASCII码是干嘛的？它其实说白了就是一个人为制定的字符到数值的一个映射表。

比如，字符‘A’对应的数字是65，65是十进制表示方法，将它转换为二进制就是01000001；好，现在我们将A通过这种映射关系转换为了二进制01000001，那么怎么存呢？这又牵扯到字节和位的概念了。

字节是计算机中数据处理的基本单位。计算机中以字节为单位存储和解释信息，规定一个字节由八个二进制位构成，即1个字节等于8个比特（1Byte=8bit）。一个位可以存一个状态码也即0和1；而一个英文字符是一个字节，所有从字符A到存储关系就是这样的：

了解了英文字符的存储，那么中文字符也按照英文那样存呗；但是，咱们中文博大精深，中文具体有多少个字符我是不知道，但据了解有近十万个。如果一个中文字符只是一个字节，也即是8位的话，根本不够用，因为一个字节最多自能表示到127（第一位为符号位，所以剩下七位是有效的用来表示数字），即每一位都是1，那么就是01111111，十进制为127，而0到127全部被ASCII码占用了。十万中文字，127对它来说实在是不够看，并且全世界那么多中语言，那么多字符，怎么办呢？这时候万国码Unicode就面世了。

Unicode是属于编码字符集（CCS）的范围。Unicode所做的事情就是将我们需要表示的字符表 中的每个字符映射成一个数字，这个数字被称为相应字符的code point码点。例如“严”字在Unicode中对应的码点是U 0x4E25。同样，将之转换为二进制：100111000100101,很显然，一个字节肯定不够存，我们需要两个或者更多个字节来存储，那么问题又来了，到底是用两个字节还是三个字节亦或是更多字节呢？聪明的人就站出来说了，我们不需要定死，我们用变长的字节。如果使用了变长的字节表示一个字符，那就必须要知道是几个字节表示了一个字符，要不然计算机可没 那么聪明。下面介绍一下最常用的UTF-8。

UTF-8 的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。

2）对于n字节的符号（n > 1），第一个字节的前n位都设为1，第n 1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 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

跟据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，则这个字符就需要占用多少个字节。

例如：严的 Unicode 是4E25（100111000100101），根据上表，4E25处（0000 0800 - 0000 FFFF）的范围，因此”严“的 UTF-8 编码需要三个字节，即格式是1110xxxx 10xxxxxx 10xxxxxx。从严的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。于是得到，严的 UTF-8 编码是11100100 10111000 10100101。

所以用图示表示“严”从字符到计算机存储是这样的：

所以，以后别再说一个中文字符就是两个字节了；也别再说Unicode和UTF-8都是编码方式了。

手KEY不易，希望大家多多支持小编，点个关注~~~持续分享更多编程小知识；