维基百科上的汉字编码是什么？

Question

我正在研究维基百科上的汉字编码，我无法弄清楚他们在使用什么。例如，“的”被编码为“％E7％9A％84”（see here）。这是三个字节，但是所描述的编码on this page都没有使用三个字节来表示中文字符。例如，UTF-8使用2个字节。

我基本上试图将这三个字节与实际角色相匹配。关于它可能是什么编码的任何建议？

Answer 1

>>> c='\xe7\x9a\x84'.decode('utf8')
>>> c
u'\u7684'
>>> print c
的

<小时/> 虽然Unicode将其编码为16位，但utf8将其分解为3个字节。

Answer 2

维基百科页面的标题包括：

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

所以页面是UTF-8。

Answer 3

您提供的示例是IRI。

IRI使用UTF8编码。 UTF8实现unicode，在unicode中，每个字符都有一个代码点，即所有中文字符的0x4E00和0x9FFF（2字节）之间。

但是UTF8不会通过存储代码点来编码字符（UTF32会这样做）。相反，它使用more complex standard，使所有中文表意文字长2 或3 字节。