同音不同字闹出大的笑话（邻桌问我一个汉字占几个字节）

邻桌手指在键盘上飞舞，忽然他抬起头很严肃地问我：一个汉字编码占用几个字节？我头也不抬很肯定的回答：两个！直到他连续重复问了三遍，我才发现有点不对劲，犹豫了下回答到：应该是两个吧。他笑了，笑声让我感到恐惧，一个入行级的问题问得我毫无自信，头皮发麻。于是，带着疑问好好梳理了下这个问题，结果发现自己被打脸！

先给出一种答案：中文在不同编码是不定长的 2~4个字节。

• 为什么需要编码

编码？刚入行的小伙伴可能会有一连串小问号，为什么需要编码？直接使用汉字或者数字或者英文字符不行吗？工欲善其事必先利其器，我们就先来介绍一下计算机中为什么需要编码。当今世界上共有233个国家和地区，其中包括197个国家和36个地区，这么多国家和地区，自然就有很多的语言，表达这些语言的符号就有很多，如果计算机全部采用这些这些符号，那计算机的压力就十分的巨大，而且要表达的符号太多，也无法简单地使用一个字节来表示。考虑到这些问题，借鉴多国之间语言存在差异，但是依然可以通过翻译来畅谈无阻，计算机也可以约定一套翻译的规则，在于计算机通信时，进项翻译，这个过程，可以理解为编码，编码之后又可以解码，还原成原来的内容。明白了这些之后，接下来就是了解有哪些编码规则，以及他们之间有什么区别。

常见的编码方式

（1）ASCII编码

美国制定的一套字符编码，ASCII码一共规定了128个字符的编码。在计算机内部，信息都可以表示成一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

（2）GB2312/GBK/GB18030编码

GB2312是由中国国家标准总局1980年发布的，1981年5月1日开始实施的一套国家标准，标准号是GB 2312—1980。GB2312编码适用于汉字处理、汉字通信等系统之间的信息交换，每个汉字及符号以两个字节来表示，但他不够全面，基本集共收入汉字6763个和非汉字图形字符682个，有一些罕见字并未收录，这就出现了后面的GBK及GB 18030。

GBK全称《汉字内码扩展规范》，又称国标码，1995年12月1日制订的，GBK是采用单双字节变长编码，英文使用单字节编码，完全兼容ASCII字符编码，中文部分采用双字节编码。共收录了21003个汉字。目前依然有一部分项目采用的是GBK编码。

GB18030，全称《信息技术中文编码字符集》，是中华人民共和国国家标准所规定的变长多字节字符集。其对GB 2312-1980完全向后兼容，与GBK基本向后兼容，并支持Unicode（GB 13000）的所有码位。GB 18030共收录汉字70,244个。GB 18030采用变长多字节编码，每个字可以由1个、2个或4个字节组成，他也是完全支持Unicode字符集的。

（3）Unicode字符集

Unicode 也叫万国码，Unicode 是一个标准，严格意义上定位的是字符集，Unicode 字符集为每一个字符分配一个编号，通过这个编号就能找到对应的字符。从这个定义也可以看出，Unicode 只是对各个语言字符进行了编号，并没有约定对编号如何存储以及存储几个字节等，而这些是由Unicode 字符集实现格式来约定的，比如下面提到的UTF-8、UTF-16、UTF-32等。

（4）UTF-8编码

UTF-8是Unicode编码的具体实现方式之一。它最主要的优点就是可变长度，字符编码通常由 1-4 个字节来表示，相比定长的实现方式，能够节省更多的空间。除此之外，UTF-8 兼容 ASCII，而Unicode的其他两种方式UTF-32 和 UTF-16 都不兼容 ASCII，因为它们没有单字节编码。

（5）UTF-32编码

UTF-32是Unicode编码的具体实现方式之一。一种固定长度的编码方案，不管字符编号大小，始终使用 4 个字节来存储；

（6）UTF-16编码

UTF-16是Unicode编码的具体实现方式之一。它介于 UTF-8 和 UTF-32 之间，使用 2 个或者 4 个字节来存储，长度既固定又可变。为什么说是既固定又可变呢？UTF-16对于 Unicode 编号范围在 0 ~ FFFF 之间的字符，UTF-16 使用两个字节存储，并且直接存储 Unicode 编号，不用进行编码转换，这跟 UTF-32 非常类似。对于 Unicode 编号范围在 10000~10FFFF 之间的字符，UTF-16 使用四个字节存储。 UTF-16没有指定后缀，即不知道其是大小端，所以其开始的两个字节表示该字节数组是大端还是小端。即FE FF表示大端，FFFE表示小端。故而又有两种细化的编码方式UTF-16BE和UTF-16LE。

UTF-16BE：其后缀是 BE 即 big-endian，大端的意思。大端就是将高位的字节放在低地址表示。

UTF-16LE：其后缀是 LE 即 little-endian，小端的意思。小端就是将高位的字节放在高地址表示。

• 汉字到底占用几个字节

可能有人会问，一个汉字占用几个字节为什么会衍生出上面那么多问题，正是因为使用不同的编码方式可能占用的字节数就不一样了。了解了编码方式之后就比较容易有一个清晰的概念。

中文在不同编码是不定长的 2~4个字节（至少两个字节，由汉字的总数超过6万字，2^16=65536）

（1） GBK编码，一个汉字占两个字节。

（2） UTF-16编码，通常汉字占两个字节，CJKV扩展B区、扩展C区、扩展D区中的汉字占四个字节（一般字符的Unicode范围是U 0000至U FFFF，而这些扩展部分的范围大于U 20000，因而要用两个UTF-16）。

（3） UTF-8编码是变长编码，通常汉字占三个字节，扩展B区以后的汉字占四个字节。

通过程序来试验一下：

控制台输出

按照上面的运行结果，“你”在UTF-16编码下占用4个字节。那么猜测两个汉字“你好”，在UTF-16编码下应该是8个字节，但是运行结果却和想象中的不一样，“你好”在UTF-16编码下共占6个字节。

运行结果好像和上面讲到的有点不相符啊！为什么会出现这样的结果的？

原因：java的字节码文件（.class）文件采用的是UTF-8编码，但是在java 运行时会使用UTF-16编码。在转码的时候会在前面加上表示字节顺序的字符，这个字符称为”零宽度非换行空格”（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。FEFF占用两个字节，所以就解释了为什么java环境下在UTF-16编码下，第一个汉字占4个字符，后面每个占用2个字符。

我们不妨将这些字符的在不同编码下的二进制转换为16进制并打印出来。将代码修改如下：

控制台输出：

通过对比之后，大家是不是有一个更加清晰的认识了呢？介绍完编码的这些知识，下次如果有人再问你同样的问题，我们就可以反问了：你说的是在哪种编码条件下呢？