UTF-8 中的所有汉字字符都是 3 个字节长吗？

Posted 2023-02-24

【中文标题】UTF-8 中的所有汉字字符都是 3 个字节长吗？

【英文标题】：Are all Kanji characters in UTF-8 3 bytes long?

【发布时间】：2011-04-10 09:00:43

【问题描述】：

有人可以确认中文中的所有汉字字符在 UTF-8 中都是 3 个字节长吗？

【参考方案1】：

是的，汉字是 U+4e00 到 U+9faf，UTF8 3 个字节是 U+0800 到 U+FFFF。

【参考方案2】：

常用的汉字/汉字字符在 U+4E00 和 U+9FFF 之间的“CJK 统一表意文字”块中，在 UTF-8 中占 3 个字节。 （日文平假名和片假名也占 3 个字节。）

但是，“CJK Unified Ideographs Extension B”和“CJK Compatibility Ideographs Supplement”块中也有一些很少使用的字符，在 UTF-8 中占用 4 个字节。

还要注意，中文文本通常包含 ASCII 字符，例如数字 0-9。

【讨论】：

源自 Shift-JIS 的日文文本也可能包含映射到两字节序列的其他非汉字、非 ASCII 字符。然后我们很快就会有表情符号来应对，它们也在基本多语言平面之外，所以 4 个字节......

@sleske：不，我不会说中文。我刚刚在字符编码方面做了太多工作。

@sleske 还有……这是互联网。 SO 的人很可能会说您从未听说过的语言。

在日语堆栈交换中也可以看到这个问题：japanese.stackexchange.com/q/6872/16273——显然一些“很少使用”的字符并不是那么罕见。