Unicode是一种为每个字符提供唯一编号的标准。这些唯一的数字被称为代码点(这只是唯一的代码)，适用于世界上所有存在的字符(有些字符还有待添加)。

出于不同的目的，您可能需要用字节表示这些代码点(大多数编程语言都是这样做的)，这就是字符编码发挥作用的地方。

UTF-8、UTF-16、UTF-32等等都是字符编码，Unicode的码位以不同的方式在这些编码中表示。

UTF-8编码具有可变宽度长度，其中编码的字符可以占用1到4个字节(包括);

UTF-16具有可变长度，其中编码的字符可以占用1或2个字节(即8或16位)。这只代表了称为BMP(基本多语言平面)的所有Unicode字符的一部分，对于几乎所有的情况都足够了。Java对其字符串和字符使用UTF-16编码;

UTF-32有固定的长度，每个字符正好占用4个字节(32位)。

简单地说，Unicode是一种为世界上所有字符分配一个数字(称为码位)的标准(它仍在进行中)。

现在你需要用字节表示这些代码点，这叫做字符编码。UTF-8, UTF-16, UTF-6是表示这些字符的方法。

UTF-8是多字节字符编码。字符可以有1到6个字节(其中一些现在可能不需要)。

UTF-32每个字符有4个字节一个字符。

UTF-16为每个字符使用16位，它只表示称为BMP的Unicode字符的一部分(对于所有实际目的来说已经足够了)。Java在其字符串中使用这种编码。

奇怪的是，没有人指出如何计算一个Unicode字符占用多少字节。下面是UTF-8编码字符串的规则:

Binary    Hex          Comments
0xxxxxxx  0x00..0x7F   Only byte of a 1-byte character encoding
10xxxxxx  0x80..0xBF   Continuation byte: one of 1-3 bytes following the first
110xxxxx  0xC0..0xDF   First byte of a 2-byte character encoding
1110xxxx  0xE0..0xEF   First byte of a 3-byte character encoding
11110xxx  0xF0..0xF7   First byte of a 4-byte character encoding

所以简单的答案是:它需要1到4个字节，这取决于第一个将表明它将占用多少字节。

从维基:

UTF-8, 8位可变宽度编码，最大限度地兼容ASCII; UTF-16，一种16位变宽编码; UTF-32, 32位，固定宽度编码。

这是三种最流行的不同编码。

在UTF-8中，每个字符被编码成1到4个字节(主要编码) 在UTF16中，每个字符被编码成1到2个16位的单词和 在UTF-32中，每个字符都被编码为一个32位的单词。

在utf - 8:

1 byte:       0 -     7F     (ASCII)
2 bytes:     80 -    7FF     (all European plus some Middle Eastern)
3 bytes:    800 -   FFFF     (multilingual plane incl. the top 1792 and private-use)
4 bytes:  10000 - 10FFFF

在utf - 16:

2 bytes:      0 -   D7FF     (multilingual plane except the top 1792 and private-use )
4 bytes:   D800 - 10FFFF

在utf - 32:

4 bytes:      0 - 10FFFF

根据定义，10FFFF是最后一个unicode码位，这样定义是因为它是UTF-16的技术限制。

它也是UTF-8可以在4字节内编码的最大码点，但UTF-8编码背后的思想也适用于5字节和6字节编码，以覆盖码点，直到7FFFFFFF。只有UTF-32的一半。

在Unicode中，答案是不容易给出的。正如您已经指出的，问题在于编码。

对于任何没有变音符字符的英语句子，UTF-8的答案将是字符的字节数，而UTF-16的答案将是字符数乘以2。

(到目前为止)我们可以声明大小的唯一编码是UTF-32。每个字符总是32位，即使我想象代码点是为未来的UTF-64准备的:)

至少有两件事让它如此困难:

composed characters, where instead of using the character entity that is already accented/diacritic (À), a user decided to combine the accent and the base character (`A). code points. Code points are the method by which the UTF-encodings allow to encode more than the number of bits that gives them their name would usually allow. E.g. UTF-8 designates certain bytes which on their own are invalid, but when followed by a valid continuation byte will allow to describe a character beyond the 8-bit range of 0..255. See the Examples and Overlong Encodings below in the Wikipedia article on UTF-8. The excellent example given there is that the € character (code point U+20AC can be represented either as three-byte sequence E2 82 AC or four-byte sequence F0 82 82 AC. Both are valid, and this shows how complicated the answer is when talking about "Unicode" and not about a specific encoding of Unicode, such as UTF-8 or UTF-16. Strictly speaking, as pointed out in a comment, this doesn't seem to be the case any longer or was even based on a misunderstanding on my part. The quote from the updated Wikipedia article reads: Longer encodings are called overlong and are not valid UTF-8 representations of the code point.