如何使用不同的编码代码确定文件大小？

Question

兰亭集序（兰亭集）是中国文学史上“行书”的佼佼者。最引人入胜的一句话就是“我知道说生死是一回事是谎言，长寿和早逝没有区别唉！”通过计算整个内容的字符（中文版），结果应为391（包括标点符号）。对于写入文本文件的这些字符，请选择可能的文件大小而不会损坏任何数据。

A，UTF-16编码中的782字节
B，UTF-16编码的784字节
C，1170字节，UTF-8编码
D，UTF-8编码中的1176字节
E，以上都不是
哪个是正确的答案？为什么？

Answer 1

TL; DR

正如Panic上校指出的那样，你需要对391个字符段落中的每个字符进行详细分析才能真正解决这个问题。但看起来你的考官有一种非常邪恶的幽默感 - 所有4个答案都可以说是正确的，假设所有的字符都符合BMP并且取决于是否使用了BOM。你最好的办法是寻找一个不在BMP上的不常见的角色，它会将UTF8和UTF16推向另一个转义序列，在这种情况下，答案就是上述情况。

详情

In UTF-8所有ASCII字符都有一个字符（值0到127）

似乎MOST'常见'CJK字符使用3个字节，尽管较不常见的CJK字符可能需要完整的4个字节进行编码。 当然，这取决于您的操作系统是否需要Byte Order Markers。

所以，例如如果391字符段落中的所有字节都是 common 中文字符且没有BOM，则UTF-8应为1173字节。使用BOM时，这将是1176个字节。

在UTF-16中，似乎大多数常见的CJK字符都在Basic Multilingual Plane上，因此只需要2个字节来编码每个字符。即391 * 2 = 782。

UTF 16几乎总是有一个2字节Byte Order Marker（FE FF或FF FE） - 即784字节。

FWIW，你提供的6个字符（兰亭集序行书）都在BMP上 - check here。

Answer 2

需要更多信息。 UTF-8和UTF-16（但不是UTF-32）都是可变宽度编码。在UTF-8中，一些字符被编码为单个8位字节（八位字节），其他字符则需要多达四个八位字节。