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。

好吧，我刚刚也打开了维基百科的页面，在介绍部分我看到“Unicode可以通过不同的字符编码实现。最常用的编码是UTF-8(它对任何ASCII字符使用一个字节，这些字符在UTF-8和ASCII编码中具有相同的编码值，对其他字符使用最多四个字节)，现在已经过时的UCS-2(它对每个字符使用两个字节，但不能对当前Unicode标准中的每个字符进行编码)。

正如这段引用所演示的，您的问题是假定Unicode是一种编码字符的单一方法。实际上有多种形式的Unicode，在引用中，其中一种甚至每个字符有一个字节，就像你习惯的那样。

所以你想要的简单答案是它是变化的。

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)。

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。

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.

对于UTF-16，如果字符以0xD800或更大开头，则需要四个字节(两个代码单元);这样的字符称为“代理对”。更具体地说，代理对的形式是:

[0xD800 - 0xDBFF]  [0xDC00 - 0xDFF]

在[…]表示给定范围的双字节代码单元。任何<= 0xD7FF的值都是一个代码单元(两个字节)。任何>= 0xE000都是无效的(BOM标记除外)。

参见http://unicodebook.readthedocs.io/unicode_encodings.html，第7.5节。