gbk, unicode, utf-8的关系

网上已经有很多文章解析这三者的关系，可惜看了之后仍然似懂非懂，原因在于大部分文章都偏重理论的解释，而缺少真枪真刀的例子。本文力求以一个短小精干的实例，试图解析这三者的关系。

 

任何文字，它在盘磁上，都是若干个0、1的组合。

同一个文字，在不同的编码规范中，它的0、1组合可能是不一样的。例如，“我”字的三种编码如下：

 

gbk:           0xCE 0xD2

unicode:     0x62 0x11

utf-8:          0xE6 0x88 0x91

 

可见，gbk、unicode都使用两个字节来表示一个汉字，而utf-8则使用了三个字节。 gbk与unicode有一个映射表：http://www.chi2ko.com/jingyan/gbk2uni.htm，在上面可以查到“我”字的编码。

 

那么utf-8又是什么东西，其实“我”字的utf-8编码里，含有了unicode的编码信息（稍后解释）。utf-8是从老外的立场提出来的，因为他们觉得按照unicode的编码规范，即使是一个英文字母，也需要用两个字节（第一个字节为0x00）来表示，这对于一篇纯英文的文章，其大小相当于使用ASCII编码的两倍，对磁盘是很大的浪费。所以他们提出了utf-8，对于他们使用较少的中文，用三个字节来表示，而对于英文字母，则使用一字节即可表示。

 

utf-8使用不定长的编码方式，对于“我”字，它使用了三个字节，把这三个字节变成二进制格式：

 

0xE6 0x88 0x91 => 11100110 10001000 10010001

 

对比一下“我”字的unicode编码的二进制表示：

 

0x62 0x11         => 0110 0010 0001 0001

 

若你把utf-8的二进制格式中的加粗部分（1110 10 10）去掉，你会惊喜的发现，剩余的部分