做接口限流或者数据库字段设计时，经常要回答一个问题：这段文本占多少字节？英文好估算，一个字母一字节；中文就含糊了，有人说是两字节，有人说是三字节。要弄清楚这个问题，需要从 ASCII 空出来的那半个码表说起，再顺着 UTF-8 的编码规则一路算下去。
ASCII 空出来的第 8 位
ASCII 只用 7 位，也就是 0 到 127 这 128 个位置，第 8 位原本留给奇偶校验。这意味着 128 到 255 这另外 128 个位置是空着的。
在只有英文的世界里，空着没问题。但当计算机开始在欧洲普及，法语、德语、西班牙语里的带音标字母就没地方放了。最直接的解决方案是把空着的第 8 位用起来，于是 ISO-8859-1 出现了，它把 128 到 255 填上西欧语言所需的字符，习惯上称为 Latin-1。
需要留意一个细节：128 到 159 这 32 个位置在 Latin-1 里是 C1 控制字符，不可打印，日常很少用到；真正承载西欧字母和符号的是 160 到 255 这一段。常见的内容包括带音标的字母（à á â ä ç é è ñ ö ü）和一批数学、货币、排版符号（© ® ° ± × ÷ ¼ ½ ¾）。
一个编码，多种扩展
Latin-1 的思路被广泛复制，很快就出现了 ISO-8859 系列的其他成员：Latin-2 用于中欧语言，Latin-5 用于土耳其语，Latin-7 用于波罗的海语系。它们都占用 128 到 255 这段空间，但填的内容不同。
问题也随之而来：同样一个字节值，在 Latin-1 里是 é，在 Latin-2 里可能是别的字符。更麻烦的是中文场景——GBK、GB2312 也把汉字放在这段空间里，而且用的是双字节方案。于是同一个字节序列，用不同编码解读会得到完全不同的文本，这就是上一代人经历过的「编码猜谜」时代。
UTF-8 的出现终结了这场混乱：它用变长编码把全世界的字符统一到一个体系里，同时保持与 ASCII 的兼容。
UTF-8 的字节数规则
UTF-8 的编码规则可以按码位范围归纳成一张表：
| 码位范围 | 字节数 | 典型内容 |
|---|---|---|
| U+0000 — U+007F | 1 | ASCII 字符 |
| U+0080 — U+07FF | 2 | Latin-1 扩展、希腊字母、西里尔字母 |
| U+0800 — U+FFFF | 3 | 常用汉字、日文假名、韩文 |
| U+10000 — U+10FFFF | 4 | emoji、生僻汉字、古文字 |
这张表解释了两个常见疑问。第一个：为什么英文文本的字节数等于字符数？因为 ASCII 范围内的字符在 UTF-8 下就是一个字节。第二个：为什么中文文本的字节数约等于字符数的三倍？因为常用汉字落在 U+0800 到 U+FFFF 这一段，每个占三个字节。
还要注意一个容易忽略的点：Latin-1 里的字符在 UTF-8 下占两个字节，不是三个。带音标的 é 属于 U+00E9，落在两字节区间。所以在做体积估算时，「非 ASCII 字符都是三字节」这个印象是错的，要看具体码位。
几个估算实例
把这套规则套到具体场景，估算就变得简单了。
纯英文的 100 个字符，无论字母、数字还是标点，只要在 ASCII 范围内，就是 100 字节。
纯中文的 100 个字，按每个三字节计算，约 300 字节。这也是为什么数据库字段按字节长度定义时，中文内容的可用字数只有名义值的三分之一左右。
一个 emoji 占四个字节。如果一条评论里出现了十个 emoji，仅这部分就是 40 字节。emoji 是导致「字段明明够长却写不进去」的高频原因。
中英混排时，把中文按三倍、英文按一倍分别算再相加，误差通常在可接受范围内。如果文本里还有 Latin-1 的带音标字母，按两倍计算。
为什么数据库要用 utf8mb4
最后回到一个实践问题：为什么 MySQL 里推荐用 utf8mb4 而不是 utf8？
原因在于 MySQL 的 utf8 实际上是一个不完整的实现，每个字符最多只用三个字节。这刚好能覆盖常用汉字，但放不下四字节的字符——也就是 emoji 和一部分生僻字。往一个 utf8 字段里写入 emoji，会被截断或直接报错。
utf8mb4 支持完整的四个字节，是真正符合 UTF-8 规范的那一个。新项目建库建表时直接指定 utf8mb4 和对应的排序规则，可以省掉后续大量的兼容麻烦。
检查清单
- ASCII 只用 7 位，128 到 255 是 Latin-1 等扩展编码的空间
- Latin-1 里 128 到 159 是控制字符，160 到 255 才是可打印的西文字符
- UTF-8 按码位范围决定字节数：ASCII 一字节、Latin-1 两字节、常用汉字三字节、emoji 四字节
- 估算体积时英文按一倍、带音标字母按两倍、中文按三倍，再相加
- 数据库统一使用
utf8mb4，避免四字节字符写入失败 - 字段按字节长度设计时，中文内容的可用字数约为名义值的三分之一