Unicode 如何编码成 UTF-8

Unicode 是字符集（charset），UTF-8、UTF-16 只是 Unicode 的编码规则（encoding）。

标准的 UTF-8 对 Unicode 分为4种变长的编码格式。

区间	字节数	编码格式
0~0x7F	1	0xxxxxxx
0x80~0x7FF	2	110xxxxx 10xxxxxx
0x800~0xFFFF	3	1110xxxx 10xxxxxx 10xxxxxx
0x10000~0x10FFFF	4	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

也就是说，对于英文字母这种ASCII字符，UTF-8与ASCII是兼容的，都采用1字节存储。

对于希伯来语字母 א，UTF-8采用两个字节存储，方法是把它的 Unicode 码 0x05d0 的二进制形式拆成两部分，后6位前补10，再前数5位前补110，拼到一起（余下全为0），即为 0xd790。

0x05D0 = b0000010111   010000
            11010111 10010000 = 0xD790

同样道理，汉字“我”采用3字节，Unicode 码拆成3部分：

0x6211 = b0110   001000   010001
      11100110 10001000 10010001 = 0xE68891

总结来看，字节起始为0则为单字节字符，起始为110、1110、11110分别代表有2个、3个、4个字节组合代表一个字符。其它字节起始必然全为10，代表不是字符起始位置。