更新时间：2024-08-16 15:23
UTF，是Unicode Transformation Format的缩写，意为Unicode转换格式。
UTF，是UnicodeTransformationFormat的缩写，意为Unicode转换格式。
如果UNICODE字符由2个字节表示，则编码成UTF-8很可能需要3个字节，而如果UNICODE字符由4个字节表示，则编码成UTF-8可能需要6个字节。用4个或6个字节去编码一个UNICODE字符可能太多了，但很少会遇到那样的UNICODE字符。
在所有字符集中，最知名可能要数被称为ASCII的7位字符集了。它是美国信息交换标准委员会（American Standard Code for Information Interchange）的缩写，为美国英语通信所设计。它由128个字符组成，包括大小写字母、数字0-9、标点符号、非打印字符（换行符、制表符等4个）以及控制字符（退格、响铃等）组成。标准的ASCII码用一个字节存储，可以表示128个字符，其中最高位用作校验码。
但是，由于他是针对英语设计的，当处理带有音调标号（形如汉语的拼音）的欧洲文字时就会出现问题。为了表示更多字符，人们打起了校验码的注意，让最高位也用作字符表示，这就是ASCII码扩字符集。ASCII扩展的字符集包括255个字符。其中有一种通常被称为IBM字符集，它把值为128-255之间的字符用于画图和画线，以及一些特殊的欧洲字符。另一种8位字符集是ISO 8859-1Latin 1，也简称为ISO Latin-1。它把位于128-255之间的字符用于拉丁字母表中特殊语言字符的编码，也因此而得名。
欧洲语言不是地球上的唯一语言，因此亚洲和非洲语言并不能被8位字符集所支持。仅汉语（或pictograms）字母表就有80000以上个字符。但是把汉语、日语和越南语的一些相似的字符结合起来，在不同的语言里，使不同的字符代表不同的字，这样只用2个字节就可以编码地球上几乎所有地区的文字。因此，创建了UNICODE编码。它通过增加一个高字节对ISO Latin-1字符集进行扩展，当这些高字节位为0时，低字节就是ISO Latin-1字符。UNICODE支持欧洲、非洲、中东、亚洲（包括统一标准的东亚象形汉字和韩国象形文字）。但是，UNICODE并没有提供对诸如Braille、Cherokee、Ethiopic、Khmer、Mongolian、Hmong、Tai Lu、Tai Mau文字的支持。同时它也不支持如Ahom、Akkadian、Aramaic、Babylonian Cuneiform、Balti、Brahmi、Etruscan、Hittite、Javanese、Numidian、Old Persian Cuneiform、Syrian之类的古老的文字。
事实证明，对可以用ASCII表示的字符使用UNICODE并不高效，因为UNICODE比ASCII占用大一倍的空间，而对ASCII来说高字节的0对他毫无用处。为了解决这个问题，就出现了一些中间格式的字符集，他们被称为通用转换格式，即UTF（Unicode Transformation Format）。目前存在的UTF格式有：UTF-7，UTF-7.5，UTF-8，UTF-16，以及 UTF-32。本文讨论UTF-8字符集的基础。
只有在页面编码为UTF-8但 IE却无法正确地选择UTF-8字符集来显示页面的时候，你才应该动用该项目。
如果你选择该项目，这个页面将被显示成乱码，因为这个页面的编码是GB2312（简体中文），不是UTF-8。以不正确的编码显示页面就好像把汉语拼音当成法语来念，结果当然是没人能听懂的乱语。
首先UCS和Unicode只是分配整数给字符的编码表。现在存在好几种将一串字符表示为一串字节的方法. 最显而易见的两种方法是将Unicode文本存储为2个或4个字节序列的串。这两种方法的正式名称分别为UCS-2和UCS-4，除非另外指定，否则大多数的字节都是这样的（Bigendian convention）。 将一个ASCII或Latin-1的文件转换成UCS-2只需简单地在每个ASCII字节前插入0x00。如果要转换成UCS-4，则必须在每个ASCII字节前插入三个0x00。
库函数参数里都有特别的含义。另外，大多数使用ASCII文件的UNIX下的工具，如果不进行重大修改是无法读取16位的字符的。基于这些原因，在文件名、文本文件、环境变量等地方，UCS-2不适合作为Unicode的外部编码。
在 ISO 10646-1 Annex R和RFC 2279里定义的UTF-8编码没有这些问题，它是在Unix风格的操作系统下使用Unicode的明显的方法。
UCS字符U+0000到U+007F（ASCII）被编码为字节0x00到0x7F（ASCII兼容），这意味着只包含7位ASCII字符的文件在ASCII和UTF-8两种编码方式下是一样的。
所有＞U+007F的UCS字符被编码为一个多个字节的串，每个字节都有标记位集。因此，ASCⅡ字节（0x00-0x7F）不可能作为任何其他字符的一部分。
表示非ASCⅡ字符的多字节串的第一个字节总是在0xC0到0xFD的范围里，并指出这个字符包含多少个字节. 多字节串的其余字节都在0x80到0xBF范围里。这使得重新同步非常容易，并使编码无国界，且很少受丢失字节的影响。
可以编入所有可能的231个UCS代码。
UTF-8编码字符理论上可以最多到6个字节长，然而16位BMP字符最多只用到3字节长。
Bigendian UCS-4字节串的排列顺序是预定的。
字节0xFE和0xFF在UTF-8编码中从未用到。
下列字节串用来表示一个字符，用到哪个串取决于该字符在 Unicode 中的序号。
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
例如： Unicode字符U+00A9 = 1010 1001 （版权符号） 在 UTF-8 里的编码为：
11****1*1*1*1**1=0xC20xA9【注：*号代表0】
而字符U+2260 = **1* **1* * 11* **** 【注：*号代表0】（不等于） 编码为：
111****1* 1*** 1***1 1* 1***** = 0xE2 0x89 0xA0
这种编码的官方名字拼写为UTF-8，其中UTF代表UCS Transformation Format，请勿在任何文档中用其他名字 （比如utf8或UTF_8）来表示UTF-8，当然除非你指的是一个变量名而不是这种编码本身.
UTF-8编码可以通过屏蔽位和移位操作快速读写。字符串比较时strcmp()和wcscmp()的返回结果相同，因此使排序变得更加容易。字节FF和FE在UTF-8编码中永远不会出现，因此他们可以用来表明UTF-16或UTF-32文本（见BOM） UTF-8 是字节顺序无关的。它的字节顺序在所有系统中都是一样的，因此它实际上并不需要BOM。
你无法从UNICODE字符数判断出UTF-8文本的字节数，因为UTF-8是一种变长编码它需要用2个字节编码那些用扩展ASCⅡ字符集只需1个字节的字符 ISO Latin-1是UNICODE的子集，但不是UTF-8的子集8位字符的UTF-8编码会被email网关过滤，因为internet信息最初设计为7位ASCⅡ码。因此产生了UTF-7编码。UTF-8在它的表示中使用值100xxxxx的几率超过50%， 而现存的实现如ISO 2022，4873，6429和8859系统，会把它错认为是C1控制码。因此产生了UTF-7.5编码。
关于utf-8
java使用UTF-16表示内部文本，并支持用于字符串串行化的非标准的修正UTF-8编码。标准UTF-8和修正的UTF-8有两点不同：修正的UTF-8中，null字符编码成2个字节（11****** 1*******）【注：*号代表0】 而不是标准的1个字节（00000000），这样作可以保证编码后的字符串中不会嵌入null字符。因此如果在类C语言中处理字符串，文本不会在第一个null字符时截断（C字符串以null结尾）。在标准UTF-8编码中，超出基本多语言范围（BMP - Basic Multilingual Plain）的字符被编码为4字节格式，但是在修正的UTF-8编码中，他们由代理编码对（surrogate pairs）表示，然后这些代理编码对在序列中分别重新编码。结果标准UTF-8编码中需要4个字节的字符，在修正后的UTF-8编码中将需要6个字节。