一个汉字占的字节为啥那么大：一个汉字究竟占多少个字节

一个汉字占的字节为啥那么大：一个汉字究竟占多少个字节随着互联网的继续发展，不同的国家，不同的语言都用着不同的编码，每当不同的人进行交流，都要先知道对方用的是什么编码，这往往就造成了沟通的成本，而且经常因为编码错误造成各种乌龙。于是，国际上就定一了一种全新的编码方法，全世界所有的字符、文字都有对应的一个编码，以后，就不需要转化成不同的编码了，这便是Unicode编码。Unicode编码使用4个字节来描述一个字符，每个字节8位，理论上就能表示2^32个不同的字符，全世界的字符都没这么多。但随之又引来一个问题，原先一个英文字符需要1个字节，一个中文需要两个字节，现在需要4个字节，相当于存储变大了。这给网络传输、系统存储都带来了一定的成本。这个时候，人们觉得压缩一下，于是提出了utf8 UTF16这样的表示方法，UTF8我们最经常使用，怎么表示呢？对于一个汉字，例如上述学习的学字在Unicode编码中表示为00000000 00000000 010

当我上第一节计算机课的时候，我的电脑老师跟我说，一个英文字符是1个字节，一个中文是2个字节。这么多年来，我对此一直坚信不移，相信很多人也是这么觉得的，但是，真实情况下是这么一回事么？

要了解这个问题，我们首先得从字节说起，什么是字节呢？要知道，在计算中，底层都是晶体管的开关和关闭状态，我们把一个表示开关状态的称之为位，把八位称之为一个字节，也就是一个字节可以表示（00000000-11111111），也就是0到255。为什么是8位呢？因为字符实际上还不到128个，按道理7位就够了，一个说法是程序员也比较迷信，认为7是个不吉利的数字，另一种说法，8刚好是2^3的方，更容易计算机去理解。

ASCII（美国信息交换标准代码）是美国人用来对拉丁字符进行的编码。因为计算机是美国人发明的，所以他们也没考虑其他国家可能也要用到计算机。下面是一个ASCII编码的对应表。

后来随着计算机的发展，一些不是拉丁字母的国家也开始用计算机了，发现一个字节只能表示256个字符，这明显不够，像我们汉字博大精深，常用的都有几千个，于是常见的中文的编码GB2312（国家简体中文字符集）就出现了。GB2312用两个字节来表示一个汉字，例如学习的学，对应的编码就是10010010 0000111。这也就是小时候我们的电脑老师跟我们说的，在计算机中，英文字母占1个字节，汉字占2个字节。

随着互联网的继续发展，不同的国家，不同的语言都用着不同的编码，每当不同的人进行交流，都要先知道对方用的是什么编码，这往往就造成了沟通的成本，而且经常因为编码错误造成各种乌龙。于是，国际上就定一了一种全新的编码方法，全世界所有的字符、文字都有对应的一个编码，以后，就不需要转化成不同的编码了，这便是Unicode编码。Unicode编码使用4个字节来描述一个字符，每个字节8位，理论上就能表示2^32个不同的字符，全世界的字符都没这么多。

但随之又引来一个问题，原先一个英文字符需要1个字节，一个中文需要两个字节，现在需要4个字节，相当于存储变大了。这给网络传输、系统存储都带来了一定的成本。这个时候，人们觉得压缩一下，于是提出了utf8 UTF16这样的表示方法，UTF8我们最经常使用，怎么表示呢？对于一个汉字，例如上述学习的学字在Unicode编码中表示为00000000 00000000 01011011 01100110。很明显，前面字节都是0，非常的浪费，最好是能够把它压缩起来，又能让别人知道它原来对应的就是四个字节，怎么办呢？UTF8就是为了解决这个问题，对于原来是双字符的中文，会变成3个字节，第一个字节以1110开头，后面两个以10开头。剩下的16位分摊到这3个字节当中。图中便是这个学字如何从Unicode编码转成utf8编码。

好了，到这里相信你就已经明白了，一个汉字占多少个字节，是跟汉字的编码有关系，在GB2312或者GBK编码中，大部分汉字为2字节（部分3个），在UTF8编码中，大部分汉字为3字节（部分为4个）。怎么样，学到了么？是不是很有意思？