如何从实验的角度来（查Unicode码表）验证：几乎所有的汉字，都要占用3个字节？
以下引用自 《松本行弘的程序世界》 第七章：文字编码 P184
UTF8的缺点：
1.消费过多的内存。如果仅限于ASCII空间，则与ASCII相同。 但几乎所有的汉字，都要占用3个字节
2. 构成文字的字节数是可变的，因而在随机访问字符串中的任意文字时，代价与字符串的长度成比例
第一个问题：在我的印象当中，每个汉字占用2个字节，为什么这边说 几乎所有的汉字，都要占用3个字节 ,这句话该怎么理解，最好能举例说明下，自己对文字编码的确实没啥基础
第二个问题：构成文字的字节数是可变的，比如这样一段话：
Unicode字符集
，每个英文字母占用一个字节，每个汉字占用2个字节（没错吧），但根据第一个问题，基本所有的汉字都占用3个字节，那么计算机在处理一段既包含2个字节又包含有3个字节的句子时，会怎样处理？
会为了提高处理效率而将2个字节的汉字当做2个字节来处理吗？
注：以上问题，希望大家在帮忙解答的时候，如果有用到比较好的字符编码工具，也麻烦大家顺带说下，比如：查看Unicode码表
MoRod
10 years, 1 month ago
Answers
字符的编码不同，看下面这段复制来的。
通常我们所说是2字节（GB-2312）。
具体依据汉字编码形式有所不同：
GB－231280 编码为 2个字节(Byte) 包含了 20902 个汉字，其编码范围是 0x8140-0xfefe。
GB18030-2000(GBK2K) 在 GBK 的基础上进一步扩展了汉字，增加了藏、蒙等少数民族的字形。编码是变长的，其二字节部分与 GBK 兼容；四字节部分是扩充的字形、字位，其编码范围是首字节 0x81-0xfe、二字节0x30-0x39、三字节 0x81-0xfe、四字节0x30-0x39
Unicode 范围一般所用为\U0000-\UFFFF，对于CJK EXT B区汉字，范围大于\U20000
UTF， 按其基本长度所用位数分为UTF-8/16/32。其中：UTF-8是变长编码，每个Unicode代码点按照不同范围，可以有1-3字节的不同长度。
UTF-16长度相对固定，只要不处理大于\U200000范围的字符，每个Unicode代码点使用16位即2字节表示，超出部分使用两个UTF-16即4字节表示。按照高低位字节顺序，又分为UTF-16BE/UTF-16LE。
UTF-32长度始终固定，每个Unicode代码点使用32位即4字节表示。按照高低位字节顺序，又分为UTF-32BE/UTF-32LE。
大概是帽子
answered 10 years, 1 month ago