汉字存储占用空间大小与编码方式的关系

在讨论数组存储汉字之前，首先要明确一个基本概念：汉字存储占用空间大小与使用何种编码方式有关。

我们常用的中文编码有 GB2312、GBK、GB18030，GB 全称 GuoBiao 国标，GBK 全称 GuoBiaoKuozhan 国标扩展。GB18030 编码兼容 GBK，GBK 兼容 GB2312。

几种常见中文编码之间兼容性如下图：
image.png

常见的中文编码 GB2312（国标简体中文字符集）和 GBK（国标扩展）使用 2 个字节编码来表示一个汉字。GB18030 编码中多出来的部分使用 4bytes 编码，相同的部分依然还是使用 2 个字节编码。GBK 和 GB2312 比 ASCII 多出来的字都是 2bytes，GB18030比GBK多出来的字都是4bytes。

而更通用的 UTF-8 编码使用 3 个字节编码来表示一个汉字。

UTF-8 编码汉字的小瑕疵

对于中文汉字来说，所有常用汉字的 Unicode 值都可以用 3 字节的 UTF8 表示出来，而 GBK 编码的汉字基本是 2 字节（GB18030 虽 4 字节但是日常没人会写那些字）。这也就导致了，如果把 GBK 编码的中文文本另存为 UTF8 编码，体积会大 50% 左右。这也是 UTF8 的一点小瑕疵，存储同样的汉字，体积比 GBK 要大 50%。

不过在「可表示世界上所有文字」这一巨大优势面前，UTF8 的这点小瑕疵可以忽略了，所以日常开发中最常使用 UTF-8 编码。

切换编码方式时编程应注意的事项

当我们从 GB2312、GBK、GB18030 编码切换到 UTF-8 编码时，单个汉字所占用的存储空间会发生变化，这时就容易发生数组长度不够的问题。

  1. //使用 GB2312、GBK、GB18030 编码时，每个汉字占两个字节。
  2. //此时「汉字」两个汉字将占四个字节，还有一个字节的'\0'，数组长度刚刚好。
  3. char a[5] = "汉字";
  4. //能够成功初始化数组。
  6. //但如果切换到 UTF-8 编码，每个汉字将占三个字节。
  7. //此时光「汉字」两个汉字就将占用六个字节，那么原来 5 的数组长度显然就不够用了。
  8. char a[5] = "汉字";
  9. //初始化数组失败，会报错：
  10. //error:  #144: a value of type "char [7]" cannot be used to initialize an entity of type "const char [5]"

参考链接