一文读懂UTF-8的编码规则

之前写过一篇文章“一文彻底搞懂计算机中文编码”里面只是介绍了GB2312编码知识，关于utf8没有涉及到，经过查询资料发现utf8是对unicode的一种可变长度字符编码，所以再记录一下。

现在国家对于信息技术中文编码字符集制定的标准是《GB 18030-2022 信息技术 中文编码字符集》

首先需要明确GB 18030是字符集，定义计算机系统中需要显示哪些中文，UTF-8是一种编码方式，定义计算机系统中怎样去显示。
我们以中文“爸”为例，看GB 18030中怎么定义的，如下图：

B0：第一字节
D：第二字节高位
6：第二字节低位
爸：字形
7238（16进制）：GB/T 13000代码位置

GB13000 全称：国家标准GB13000：2010《信息技术 通用多八位编码字符集（UCS）第一部分：体系结构与基本多文种平面》，此标准等同采用国际标准ISO/IEC 10646-2003,IDT《信息技术 通用多八位编码字符集（UCS）第一部分：体系结构与基本多文种平面》。Unicode 标准在基本平面上与GB 13000保持一致。采纳UTF-16方案作为未来实现01到0F共15个辅助平面的方式。其它方面与GB 13000基本一致。
为了便于多个文种的同时处理，国际标准化组织下属编码字符集工作组研制了新的编码字符集标准，ISO/IEC 10646。该标准第一次颁布是在1993年，当时只颁布了其第一部分，即ISO/IEC 10646.1: 1993，中国相应的国家标准是GB 13000.1-93《信息技术 通用多八位编码字符集(UCS) 第一部分：体系结构与基本多文种平面》。制定这个标准的目的是对世界上的所有文字统一编码，以实现世界上所有文字在计算机上的统一处理。

UTF-8编码规则如下：
Utf8分成单字节、双字节、三字节、四字节模式，具体如下：
0xxxxxxx（7bit）
110xxxxx 10xxxxxx（11bit）
1110xxxx 10xxxxxx 10xxxxxx（16bit）中文
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx（21bit）

中文是使用三字节模式，所以中文“爸”转换如下：
7238二进制：0111 0010 0011 1000
按照三字节模式编码：1110 0111 1000 1000 1011 1000
转换十六进制后：E 7 8 8 B 8

程序验证：

public class GBKTest {
    public static void main(String[] args) throws UnsupportedEncodingException {
        String nh = "爸";

        byte[] bs = nh.getBytes("utf-8");
        for (int i=0;i<bs.length;i++) {
            int n = bs[i];
            if (n < 0)
                n += 256;
            int d1 = n / 16;
            int d2 = n % 16;
            System.out.println(hexDigits[d1] + " " + hexDigits[d2]);
        }

    }

    private static final String hexDigits[] = { "0", "1", "2", "3", "4", "5",
            "6", "7", "8", "9", "a", "b", "c", "d", "e", "f" };
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20