两位巨佬的一顿晚饭，整个互联网被改变了

1

1992年9月， 一个周三的下午，贝尔实验室。 

Rob Pike (Go语言发明人之一) 正在操作系统Plan 9 上忙碌，这是继Unix之后的一个大工程， 马上就要完工了，  这个时候他突然接到了一个电话。 

（年轻帅气的Rob Pike）

电话是IBM的人打来的，他们正在奥斯汀参加X/Open 委员会会议， 想请Rob Pike 和 Ken Thomson （Unix发明人） 对他们设计的一个Unicode编码进行评审。

Rob Pike知道X/Open委员会主要负责制定Unix上的标准规范，以便提高应用程序的在不同Unix变体上的移植性。

很明显，这一次会议的主题是：编码！

Rob Pike想到了自己正在忙活的操作系统Plan 9 ， 为了支持全世界的语言如英文、中文、韩文、日文、阿拉伯文...... Plan 9 当然要用Unicode 。 

(这货怎么和Go的吉祥物长得如此之像？）

大家都知道Unicode只是规定了每个字符用什么编码，但是没有规定如何去存储， 当时Plan 9 采用了一个叫做ISO 10646 UTF编码， 但是这个编码实在不怎么样， 按照Rob Pike的话说：我们恨这个编码。 

Rob 和 Ken 立刻意识到：机会来了 ！

Rob ：我们有丰富的经验， 为什么不设计一个真正好用的Unicode存储标准呢？ 

Ken ：同意， 我们设计出来，把标准推广的事情交给X/Open委员会。

俩人向IBM的人表达了这个想法， 得到了支持，条件是： 一定要快，快速设计、快速实现。 

因为下周一就要投票表决了！

对于天才程序员来说，快速、高质量把活儿搞定就是小菜一碟。

Ken ：还记得《老婆离家三周，我开发了一个操作系统吗？》

他们俩慢悠悠地去餐厅吃饭，在吃饭期间，Ken 和 Rob就把基本的方案给设计出来了，这就是大名鼎鼎的UTF-8。

回到贝尔实验室，他们就把想法写成了提纲，发给了X/Open 委员会的人， 委员会的回复是： 

这比我们设计的版本好多了，你们什么时候能实现它？ 

Rob 和Ken 拍着胸脯说：放心吧，下周一肯定能有一个完整的、可以运行的实现。

当天晚上（周三），他们俩就卷起袖子干活， Ken 把packing和unpacking的代码搞定， Rob则去折腾C和图形库相关的东西。 

周四，所有的代码都已完成，开始将Plan 9操作系统上的文本文件转成UTF-8 

周五，Plan 9 操作系统就已经运行在UTF-8上面了。 

实际花费不到三天！

这三天的工作成果最终统治了整个互联网的编码标准， 统计显示， 现在96.8%的Web网站在使用UTF-8。 

2

故事讲完了，我们来看看为什么UTF-8能流行起来。 

前面说过Unicode只是一个字符集，它规定了每个字符的二进制代码，例如“码” ， 对应的Unicode 是7801 ， 二进制是

111 1000 0000 0001

需要两个字节来保存， 如果表示其他更大范围的字符，可能需要3个字节或者4个字节，甚至更多。 

当计算机面对这两个字节的字节流的时候，就会出现严重的问题：计算机怎么知道这两个字节表示的是一个字符？还是两个字符？

大家知道英文字母用一个字节保存就够了，如果Unicode规定每个英文字符也用两个字节或三个字节来保存，那每个英文字母前面势必要补上0， 文本文件要大两到三倍。 

这是巨大的浪费，肯定不行。 

Rob和Ken的设计的UTF-8就比较聪明， 看看这个表：

把Unicode 转换成UTF-8，非常简单，比如汉字“码” ， Unicode 是7801 ， 二进制是 111 1000 0000 0001

7801对应上图的第三行，只要把二进制从右向左填到对应的“模板”中就行，不够的补零

更多的细节就不展开了，关键要看看UTF-8有什么好处。

3

1. 兼容ASCII， 表格中的第一行就是为ASCII所设。 

多字节编码的每个字节的最高位永远是 1，而 ASCII 字符编码的最高位是 0，所以从根本上杜绝了编码冲突。

2. 第一个字节就指明了后续的长度

当程序面对一个字节流的时候，只需要读出第一个字节最前面有几个1 ，就知道这个字符的长度，解码很方便。

3. 前缀码

大家仔细观察下， UTF-8中没有任何合法字符是其他字符的前缀， 这样就带来了一个好处：支持程序快速地跳过有问题的字节，然后正常解码。

假设有两个中文 “码” 和 “农”， 对应的UTF-8编码为E7A081(码) and E5869C(农)。 

但是网络传输丢失了一些数据，变成了 E781 E5869C   （即“码”的A0丢失了）

现在程序先读到了E7, 二进制是 1110 0111，它就知道这个字符应该是3字节的， 并且后面的两个字节都应该以10 开头。 

于是它就要再读两个字节， 因为A0这个字节丢失了， 程序读到了81 和 E5。 

程序就发现： 

81 （二进制10000001） 是符合规范的

E5(二进制11100101)的开始两个bit不是10啊， 这应该是另外一个字符的开始。

所以程序就判断出有字符丢失了，可以丢弃刚读到的E7 81 , 然后从E5开始读取， E5 86 9C ，最终显示“农”字。

是不是很巧妙？