UTF8变长编码

首先要说明的是我们所有的信息都是以二进制字节的形式保存的，比如00000000这样的8个0就代表一个字节了。

1个字节一共有256中变化，不能用来表示我们大千世界的所有文字，（想想中文就知道了）。

所以为了能有一种编码表示所有语言的文字，那我们就得加长位数，比如全世界有256*256*256*256个不同的文字，那么我们就得用4个字节的二进制来表示。

说英语的国家就吃亏了，因为他们明明用一个字节就能表示一个字母，却因为要配合我们，要用好四个字节表示一个字母，保存字母的硬盘会白白浪费了大量了空间。

怎么解决这个问题？

UTF8变长编码可以解决。有的文字是1个字节存储的，有的文字是2个字节存储的，还有3个字节存储的，还有4个字节存储的。

最后集合起来就是一共有一到四字节四种变长的编码。

一字节：0*******

两字节：110*****，10******

三字节：1110****，10******，10******

四字节：11110***，10******，10******，10******

就是这四种情况。相信你已经知道我们怎么来判断一个字是几字节的了。

如果是以0开头的，那么他就是一个1字节编码，取到它一字节的数据去一字节表中找就OK了。

如果是以110开头的，那么它就是一个2字节编码，取到它两字节的数据去两字节表中找就OK了，而且它的第二个字节一定要是10开头，不然就是乱码了。

后面类推。

核心之处就是:

把0，110，1110，11110这4种比特用在不同的位置而区分开不同长度的编码.

把10这个比特用来连接多字节字符之间的多个字节。

还有一点要说明，就是一个UTF8格式的文件，它要表明它的身份，以让人用UTF8的读法来读它。

可能我们仔细的看一下这个文件的内容，看一下字节出现个格式，和我们上面所说的是否一样，也就知道它是不是UTF8编码了。

不过还有一种保险一点的方法，就是在文件的最开头加上三个字节的信息，这三个字节比较少见，所以一见到它们三个开头，我们就知道是UTF8格式的文件了，使用这种方式可以让我们快速判断出来文件是不是UTF8格式的，有助于提高性能，不过这不是必须的，我们没有这三个字节也可以判断文件的格式是不是UTF8编码方式。

比如UltraEdit这个强大的工具，我们可以用它查看16进制，你可以试试建立一个文本，然后用16进制模式打开，记一下它开头的几个字节，然后保存为UTF8，再看一下前几个字节，就会发现多了三个字节。这就是刚才说的头，它的学名叫BOM。

这三个字节分别是：EF BB BF