编码的工作原理

UTF-8

可变长度：ASCII用1字节，拉丁/希腊文用2字节，多数CJK用3字节，表情符号和罕见字符用4字节。每个字节的前导位表明它的作用：

  • 0xxxxxxx —— 单字节（ASCII）
  • 110xxxxx 10xxxxxx —— 2字节
  • 1110xxxx 10xxxxxx 10xxxxxx —— 3字节
  • 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx —— 4字节

灰色位是结构位，蓝色位承载码点。

UTF-16

基本多文种平面（U+0000到U+FFFF）内的字符固定占2字节，该平面包含所有常用汉字。U+FFFF以上的字符使用代理对（4字节）。

GB2312

1980年的旧式中文编码。将约7000个简体汉字映射为2字节编码。ASCII字符用1字节。此工具显示一组精选常用汉字的GB2312值。

维基百科对每种编码都有更详细的介绍：UTF-8、UTF-16和GB 2312。要查任意汉字的码位、读音和异体字，可以用Unihan数据库。