1. Unicode 与 UTF-8 的区别 #

• Unicode 只规定「这个字符编号是多少」，不规定在磁盘上占几个字节。
• UTF-8 是最常用的编码方式，也是项目里的默认选择。

2. 字符的完整路径 #

• 字符在计算机中的完整路径：字符 → Unicode 码点 → UTF-8 字节。

字符 → Unicode 码点 → UTF-8 字节

• 以汉字「中」为例：

char = "中"
print(ord(char))                    # 20013（码点十进制）
print(f"U+{ord(char):04X}")       # U+4E2D
print(char.encode("utf-8"))       # b'\xe4\xb8\xad'（3 字节）
print(char.encode("utf-8").hex()) # e4b8ad

3. 常见字符占用的字节数 #

• UTF-8 是变长编码，码点越大，字节越多。

• 英文和数字在 UTF-8 中与 ASCII 相同，只占 1 字节；中文通常 3 字节；Emoji 通常 4 字节。

4. Python 中的常用操作 #

• 日常开发用内置方法即可，不需要手写 UTF-8 编解码算法。

# 字符 ↔ 码点
print(ord("A"))      # 65
print(chr(0x4E2D))   # 中

# 字符 ↔ 字节
b = "你好".encode("utf-8")
print(b.decode("utf-8"))   # 你好

• 调试时若看到 b'\xe4\xb8\xad' 或日志里的 \xe4\xb8\xad，表示 UTF-8 编码后的字节，用 .decode("utf-8") 即可还原为可读文本。

5. 项目开发要点 #

• 分清两层概念：业务里操作 str（Unicode 文本）；落盘、发网络时用 encode("utf-8") 得到 bytes。
• 不要自己实现 UTF-8：位运算、首字节规则等属于底层原理，读日志、写接口用 encode / decode 足够。
• 与编码章节配合：文件读写、HTTP、数据库连接统一指定 UTF-8，避免乱码。
• 估算存储/传输大小：纯英文按 1 字节/字符粗算，中文按约 3 字节/字符粗算（精确值以 len(s.encode("utf-8")) 为准）。