字符，字節和編碼
英文字母和中文漢字在不同字符集編碼下的字節數
英文字母：
字節數 : 1;編碼：GB2312
字節數 : 1;編碼：GBK
字節數 : 1;編碼：GB18030
字節數 : 1;編碼：ISO-8859-1
字節數 : 1;編碼：UTF-8
字節數 : 4;編碼：UTF-16
字節數 : 2;編碼：UTF-16BE
字節數 : 2;編碼：UTF-16LE
中文漢字：
字節數 : 2;編碼：GB2312
字節數 : 2;編碼：GBK
字節數 : 2;編碼：GB18030
字節數 : 1;編碼：ISO-8859-1
字節數 : 2~4;編碼：UTF-8
字節數 : 4;編碼：UTF-16
字節數 : 2;編碼：UTF-16BE
字節數 : 2;編碼：UTF-16LE
歷史發展：
從計算機字符編碼的發展歷史角度來看，大概經歷了三個階段：
第一個階段：ASCII字符集和ASCII編碼。
計算機剛開始只支持英語(即拉丁字符)，其它語言不能夠在計算機上存儲和顯示。ASCII用一個字節(Byte)的7位(bit)表示一個字符，第一位置0。后來為了表示更多的歐洲常用字符又對ASCII進行了擴展，又有了EASCII，EASCII用8位表示一個字符，使它能多表示128個字符，支持了部分西歐字符。
第二個階段：ANSI編碼（本地化）
為使計算機支持更多語言，通常使用 0x80~0xFF 范圍的 2 個字節來表示 1 個字符。比如：漢字 ‘中’ 在中文操作系統中，使用 [0xD6,0xD0] 這兩個字節存儲。
不同的國家和地區制定了不同的標准，由此產生了 GB2312, BIG5, JIS 等各自的編碼標准。這些使用 2 個字節來代表一個字符的各種漢字延伸編碼方式，稱為 ANSI 編碼。在簡體中文系統下，ANSI 編碼代表 GB2312 編碼，在日文操作系統下，ANSI 編碼代表 JIS 編碼。
不同 ANSI 編碼之間互不兼容，當信息在國際間交流時，無法將屬於兩種語言的文字，存儲在同一段 ANSI 編碼的文本中。
第三個階段：UNICODE（國際化）
為了使國際間信息交流更加方便，國際組織制定了 UNICODE 字符集，為各種語言中的每一個字符設定了統一並且唯一的數字編號，以滿足跨語言、跨平台進行文本轉換、處理的要求。UNICODE 常見的有三種編碼方式:UTF-8(1個字節表示)、UTF-16((2個字節表示))、UTF-32(4個字節表示)。
簡單歷史描述：
1、美國人首先對其英文字符進行了編碼，也就是最早的ascii碼，用一個字節的低7位來表示英文的128個字符，高1位統一為0；
2、后來歐洲人發現尼瑪你這128位哪夠用，比如我高貴的法國人字母上面的還有注音符，這個怎么區分，得，把高1位編進來吧，這樣歐洲普遍使用一個全字節進行編碼，最多可表示256位。歐美人就是喜歡直來直去，字符少，編碼用得位數少；
3、但是即使位數少，不同國家地區用不同的字符編碼，雖然0–127表示的符號是一樣的，但是128–255這一段的解釋完全亂套了，即使2進制完全一樣，表示的字符完全不一樣，比如135在法語，希伯來語，俄語編碼中完全是不同的符號；
4、更麻煩的是，尼瑪這電腦高科技傳到中國后，中國人發現我們有10萬多個漢字，你們歐美這256字塞牙縫都不夠。於是就發明了GB2312這些漢字編碼，典型的用2個字節來表示絕大部分的常用漢字，最多可以表示65536個漢字字符，這樣就不難理解有些漢字你在新華字典里查得到，但是電腦上如果不處理一下你是顯示不出來的了吧。
5、這下各用各的字符集編碼，這世界咋統一？俄國人發封email給中國人，兩邊字符集編碼不同，尼瑪顯示都是亂碼啊。為了統一，於是就發明了unicode，將世界上所有的符號都納入其中，每一個符號都給予一個獨一無二的編碼，現在unicode可以容納100多萬個符號，每個符號的編碼都不一樣，這下可統一了，所有語言都可以互通，一個網頁頁面里可以同時顯示各國文字。
6、然而，unicode雖然統一了全世界字符的二進制編碼，但沒有規定如何存儲啊，親。x86和amd體系結構的電腦小端序和大端序都分不清，別提計算機如何識別到底是unicode還是acsii了。如果Unicode統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，文本文件的大小會因此大出二三倍，這對於存儲來說是極大的浪費。這樣導致一個后果：出現了Unicode的多種存儲方式。
7、互聯網的興起，網頁上要顯示各種字符，必須統一啊，親。utf-8就是Unicode最重要的實現方式之一。另外還有utf-16、utf-32等。UTF-8不是固定字長編碼的，而是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。這是種比較巧妙的設計，如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符占用多少個字節。
8、注意unicode的字符編碼和utf-8的存儲編碼表示是不同的，例如”嚴”字的Unicode碼是4E25，UTF-8編碼是E4B8A5，這個7里面解釋了的，UTF-8編碼不僅考慮了編碼，還考慮了存儲，E4B8A5是在存儲識別編碼的基礎上塞進了4E25。
9、UTF-8 使用一至四個字節為每個字符編碼。128 個 ASCII 字符（Unicode 范圍由 U+0000 至 U+007F）只需一個字節，帶有變音符號的拉丁文、希臘文、西里爾字母、亞美尼亞語、希伯來文、阿拉伯文、敘利亞文及馬爾代夫語（Unicode 范圍由 U+0080 至 U+07FF）需要二個字節，其他基本多文種平面（BMP）中的字符（CJK屬於此類-Qieqie注）使用三個字節，其他 Unicode 輔助平面的字符使用四字節編碼。
10、最后，要回答你的問題，常規來看，中文漢字在utf-8中到底占幾個字節，一般是3個字節，最常見的編碼方式是1110xxxx 10xxxxxx 10xxxxxx。
我們可以用一個樹狀圖來表示由ASCII發展而來的各個字符集和編碼的分支：
詳細具體講解：
一、ASCII 碼
我們知道，計算機內部，所有信息最終都是一個二進制值。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從00000000到11111111。
上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。
ASCII 碼一共規定了128個字符的編碼，比如空格SPACE是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的后面7位，最前面的一位統一規定為0。
二、非 ASCII 編碼
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼表示。於是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。
但是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0--127表示的符號是一樣的，不一樣的只是128--255的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是 GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示 256 x 256 = 65536 個符號。
中文編碼的問題需要專文討論，這篇筆記不涉及。這里只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與后文的 Unicode 和 UTF-8 是毫無關系的。
三、Unicode
正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode 當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。
四、Unicode的問題
需要注意的是，Unicode 只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。
比如，漢字嚴的 Unicode 是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說，這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。
這里就有兩個嚴重的問題，第一個問題是，如何才能區別 Unicode 和 ASCII ？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果 Unicode 統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：1）出現了 Unicode 的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示 Unicode。2）Unicode 在很長一段時間內無法推廣，直到互聯網的出現。
五、UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在互聯網上使用最廣的一種 Unicode 的實現方式。其他實現方式還包括 UTF-16（字符用兩個字節或四個字節表示）和 UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8 是 Unicode 的實現方式之一。
UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。
UTF-8 的編碼規則很簡單，只有二條：
1）對於單字節的符號，字節的第一位設為0，后面7位為這個符號的 Unicode 碼。因此對於英語字母，UTF-8 編碼和 ASCII 碼是相同的。
2）對於n字節的符號（n > 1），第一個字節的前n位都設為1，第n + 1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。
下表總結了編碼規則，字母x表示可用編碼的位。
Unicode符號范圍 | UTF-8編碼方式 (十六進制) | （二進制） ----------------------+--------------------------------------------- 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
跟據上表，解讀 UTF-8 編碼非常簡單。如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符占用多少個字節。
下面，還是以漢字嚴為例，演示如何實現 UTF-8 編碼。
嚴的 Unicode 是4E25（100111000100101），根據上表，可以發現4E25處在第三行的范圍內（0000 0800 - 0000 FFFF），因此嚴的 UTF-8 編碼需要三個字節，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后，從嚴的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，嚴的 UTF-8 編碼是11100100 10111000 10100101，轉換成十六進制就是E4B8A5。
六、Unicode 與 UTF-8 之間的轉換
通過上一節的例子，可以看到嚴的 Unicode碼 是4E25，UTF-8 編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程序實現。
Windows平台，有一個最簡單的轉化方法，就是使用內置的記事本小程序notepad.exe。打開文件后，點擊文件菜單中的另存為命令，會跳出一個對話框，在最底部有一個編碼的下拉條。
里面有四個選項：ANSI，Unicode，Unicode big endian和UTF-8。
1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對 Windows 簡體中文版，如果是繁體中文版會采用 Big5 碼）。
2）Unicode編碼這里指的是notepad.exe使用的 UCS-2 編碼方式，即直接用兩個字節存入字符的 Unicode 碼，這個選項用的 little endian 格式。
3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋 little endian 和 big endian 的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完"編碼方式"后，點擊"保存"按鈕，文件的編碼方式就立刻轉換好了。
在計算機內存中，統一使用Unicode編碼，當需要保存到硬盤或者需要傳輸的時候，就轉換為UTF-8編碼。
七、Little endian 和 Big endian
UCS-2 格式可以存儲 Unicode 碼（碼點不超過0xFFFF）。以漢字嚴為例，Unicode 碼是4E25，需要用兩個字節存儲，一個字節是4E，另一個字節是25。存儲的時候，4E在前，25在后，這就是 Big endian 方式；25在前，4E在后，這是 Little endian 方式。
這兩個古怪的名稱來自英國作家斯威夫特的《格列佛游記》。在該書中，小人國里爆發了內戰，戰爭起因是人們爭論，吃雞蛋時究竟是從大頭(Big-endian)敲開還是從小頭(Little-endian)敲開。為了這件事情，前后爆發了六次戰爭，一個皇帝送了命，另一個皇帝丟了王位。
第一個字節在前，就是"大頭方式"（Big endian），第二個字節在前就是"小頭方式"（Little endian）。
那么很自然的，就會出現一個問題：計算機怎么知道某一個文件到底采用哪一種方式編碼？
Unicode 規范定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做"零寬度非換行空格"（zero width no-break space），用FEFF表示。這正好是兩個字節，而且FF比FE大1。
如果一個文本文件的頭兩個字節是FE FF，就表示該文件采用大頭方式；如果頭兩個字節是FF FE，就表示該文件采用小頭方式。
八、實例
下面，舉一個實例。
打開"記事本"程序notepad.exe，新建一個文本文件，內容就是一個嚴字，依次采用ANSI，Unicode，Unicode big endian和UTF-8編碼方式保存。
然后，用文本編輯軟件UltraEdit 中的"十六進制功能"，觀察該文件的內部編碼方式。
1）ANSI：文件的編碼就是兩個字節D1 CF，這正是嚴的 GB2312 編碼，這也暗示 GB2312 是采用大頭方式存儲的。
2）Unicode：編碼是四個字節FF FE 25 4E，其中FF FE表明是小頭方式存儲，真正的編碼是4E25。
3）Unicode big endian：編碼是四個字節FE FF 4E 25，其中FE FF表明是大頭方式存儲。
4）UTF-8：編碼是六個字節EF BB BF E4 B8 A5，前三個字節EF BB BF表示這是UTF-8編碼，后三個E4B8A5就是嚴的具體編碼，它的存儲順序與編碼順序是一致的。
九、BOM格式編碼
BOM(Byte Order Mark)，是UTF編碼方案里用於標識編碼的標准標記。
UTF編碼 ║ Byte Order Mark
UTF-8 ║ EF BB BF
UTF-16LE ║ FF FE
UTF-16BE ║ FE FF
UTF-32LE ║ FF FE 00 00
UTF-32BE ║ 00 00 FE FF
在UTF-16里本來是FF FE，變成UTF-8就成了EF BB BF。這個標記是可選的，因為UTF8字節沒有順序，所以它可以被用來檢測一個字節流是否是UTF-8編碼的。
微軟做這種檢測，但有些軟件不做這種檢測， 而把它當作正常字符處理。
這個BOM頭只是建議添加，不是強制的，所以不少軟件和系統沒有添加這個BOM頭（所以有些軟件格式中有帶BOM頭和NoBOM頭的選擇）
總結：
utf8,utf16,utf32區別：
utf8為可變長的編碼方式，根據不同的符號而變化字節長度，節省存儲空間
utf32固定為4個字節，直接存儲 Unicode 編號即可，不需要任何編碼轉換。浪費了空間，提高了效率。
utf16奇葩，使用 2 個或者 4 個字節來存儲
只有 UTF-8 兼容 ASCII，UTF-32 和 UTF-16 都不兼容 ASCII，因為它們沒有單字節編碼。