维基百科中文字符的编码是什么？

Question

我在维基百科上查看中文字符的编码方式，但是我不太清楚他们使用的是什么编码方式。例如，“的”被编码为“%E7%9A%84”（点击这里）。这是三个字节，然而在这个页面描述的编码方式中，没有一种使用三个字节来表示中文字符。例如UTF-8使用两个字节。

我想要将这三个字节匹配到实际字符，请问有哪种编码方式可以做到吗？

- laurent

---

该字符的UTF-8编码为E7 9A 84。 - John Flatness

Answer 1

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

---

虽然Unicode将其编码为16位，但UTF-8将其分解为3个字节。

- jcomeau_ictx

---

谢谢，我以为UTF-8使用的是与Unicode相同的编码方式。现在这很有道理。 - laurent

@Laurent说：不是的，因为（请跟我重复）Unicode不是一种编码。Unicode是一个用于表示文本的标准，而编码（实际上，有几种编码）是该标准的一部分。 - sleske

@Laurent：你可能会因为UTF-32（一种编码方式）中的字符实际上是由它们的代码点号编码（即编码是微不足道的）而感到困惑。但是还有其他的编码方式，而UTF-32实际上并不经常使用。 - sleske

Answer 2

维基百科页面的标题栏包括这个：

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

所以这个页面是UTF-8编码。

- Adam

---

字符集这个词是具有误导性的。它的意思是“编码方式”，而不是字符集合，两者常常被混淆在一起。 - hAcKnRoCk

Answer 3

你提供的例子是一个IRI。

IRI使用UTF8编码。UTF8实现了Unicode，在Unicode中，每个字符都有一个码点，对于所有汉字，它们的码点在0x4E00到0x9FFF之间（2个字节）。

但是UTF8不仅仅通过存储它们的码点来编码字符（UTF32可以这样做）。相反，它使用更复杂的标准，使所有的汉字表意文字都是2或3个字节长。

- lovasoa