一个汉字占几个字节？UTF-8、GBK、GB18030 和 UTF-16 对照

29 十月，2026 • 指南 • 64次浏览 • 1 分钟阅读

常用汉字在 UTF-8 中占 3 个字节，在 GBK、GB18030 和 UTF-16 中占 2 个字节，部分扩展区汉字和大多数表情符号占 4 个字节。本文附实测对照表，并介绍如何用 Python、JavaScript 和在线工具计算字节数。

一个常用汉字在 UTF-8 编码下占 3 个字节，在 GBK、GB18030 和 UTF-16 下占 2 个字节。码位在 U+10000 以上的字符，例如扩展区汉字“𠮷”和大多数表情符号，在 UTF-8、UTF-16 和 GB18030 下都占 4 个字节，GBK 则根本无法编码这些字符。

英文字母、数字这类 ASCII 字符在 UTF-8、GBK 和 GB18030 下只占 1 个字节，换成 UTF-16 就是 2 个字节。所以同一段文字有多大，要看它用哪种编码保存或传输。接口、表单或数据库字段提示字节超限时，先弄清对方用的是哪种编码，再计算字节数。

为什么汉字在 UTF-8 中占 3 个字节

UTF-8 是变长编码，一个字符占 1 到 4 个字节，具体占几个由这个字符的码位决定。码位就是 Unicode 给每个字符分配的编号。截至 2026 年 10 月 29 日，定义 UTF-8 的 RFC 3629（2003 年 11 月发布，互联网标准 STD 63）规定的区间如下，“例子”一列是我们的实测结果。

码位范围	UTF-8 字节数	例子
U+0000 到 U+007F	1（与 US-ASCII 相同）	A、半角逗号 ,
U+0080 到 U+07FF	2	é
U+0800 到 U+FFFF（不含 U+D800 到 U+DFFF 代理项）	3	中、全角逗号，
U+10000 到 U+10FFFF	4	😀、𠮷（U+20BB7）

常用汉字位于 U+0800 到 U+FFFF 之间，所以在 UTF-8 里占 3 个字节。码位在 U+10000 以上的字符，包括部分扩展区汉字和大多数表情符号，占 4 个字节。

字节数只取决于码位，跟这个字常不常见没有关系。一个平时很少用的字，只要码位还在 U+FFFF 以内，在 UTF-8 下照样是 3 个字节。“𠮷”占 4 个字节，是因为它的码位 U+20BB7 超出了 U+FFFF，而不是因为它生僻。

其他编码各有各的规律。UTF-16 用一个 2 字节码元表示 U+FFFF 以内（代理项除外）的字符，码位高于 U+FFFF 的字符要用两个代理码元拼起来，也就是 4 个字节。GBK 能表示的常用汉字占 2 个字节，我们测试的全角逗号和感叹号也是 2 个字节，遇到它表示不了的字符会直接编码失败。在我们的测试里，GB18030 同样用 2 个字节存常用汉字，GBK 编不了的 😀 和𠮷它也能编码，各占 4 个字节。中国现行的强制性国家标准是 GB 18030-2022《信息技术中文编码字符集》（2023 年 8 月 1 日实施），本文的 GB18030 字节数来自 Python 编码器的测试结果，并不代表对该编码器是否完全符合现行标准的验证。

常见字符和字符串的字节数对照表

常用汉字在 UTF-8 下占 3 个字节，在 GBK 下占 2 个字节，英文字母在这两种编码下都只占 1 个字节。下表是我们 2026 年 10 月 29 日用 Python 3.13 和 Node.js 实测的结果。字符数是 Python 中 len() 的返回值，也就是码位个数；UTF-16 列按小端序、不含 BOM 计算；最后一列是 JavaScript 字符串的 length 属性。

字符串	字符数	UTF-8	GBK	GB18030	UTF-16	JS length
A	1	1	1	1	2	1
中	1	3	2	2	2	1
中文	2	6	4	4	4	2
，（全角逗号）	1	3	2	2	2	1
,（半角逗号）	1	1	1	1	2	1
é	1	2	2	2	2	1
😀	1	4	无法编码	4	4	2
𠮷（U+20BB7）	1	4	无法编码	4	4	2
你好，世界！	6	18	12	12	12	6
Hello 世界	8	12	10	10	16	8
换行 \n（LF）	1	1	1	1	2	1
换行 \r\n（CRLF）	2	2	2	2	4	2
👨‍👩‍👧（家庭表情）	5	18	无法编码	20	16	8

从表里可以直接看出几条规律。“你好，世界！”的 6 个字符里有两个全角标点，在 UTF-8 下每个字符都是 3 个字节，合计 18 个字节，在 GBK 下合计 12 个字节。“Hello 世界”在 UTF-16 下是 16 个字节，反而比 UTF-8 的 12 个字节多，因为英文字母和空格在 UTF-16 里也要占 2 个字节。与 UTF-8 相比，ASCII 字符比例越高，UTF-16 的字节开销通常越大；如果文本以常用汉字为主，情况可能相反。

最后一行的家庭表情看上去只是一个图案，实际上由三个人物表情和两个零宽连接符组成，共 5 个码位。它在 UTF-8 下占 18 个字节，在 GB18030 下占 20 个字节，GBK 则无法编码。表单里只输入一个这样的表情，就可能用掉十几个字节。

字符数和字节数为什么对不上

算长度时要分清码位数、肉眼看到的字符数和字节数。一个汉字通常对应一个 Unicode 码位，但有些表情符号或带组合符号的文字由多个码位组成。本文对照表里的“字符数”按 Python 的 len() 计算，是码位数，不一定等于看到的字符个数。字节数则是这些码位编码后占多少存储空间。在 UTF-8、GBK 和 GB18030 下，纯 ASCII 文本的字符数和字节数相等，一旦出现汉字，两者就不再相等。更容易混淆的是，不同编程语言里的“长度”数的也不是同一种东西。

Python 的 len() 和 MySQL 的 CHAR_LENGTH() 数的是码位，JavaScript 的 length 数的是 UTF-16 码元。截至 2026 年 10 月 29 日，MDN 的 String.length 页面写道“length 数据属性表示字符串的 UTF-16 码元长度”，并举例说明 "😄".length 的结果是 2，而 [..."😄"].length 的结果是 1。

对常用汉字来说，这个差别一般不影响结果，“你好，世界！”无论用哪种方式数都是 6。可一旦文本里出现表情符号或扩展区汉字，几种数法的结果就会出现差异。还是拿前面的家庭表情来说，JavaScript 的 length 是 8，展开运算符 [...s].length 得到 5 个码位，UTF-8 字节数则是 18。

因此，看到“最多 100 个字符”或“最多 255 字节”这类限制时，要先分清限制的是字符还是字节，再弄清对方怎么数字符。如果前端用 length 校验、后端按字节校验，就可能出现前端放行、后端报错的情况。

用 Python、JavaScript 和 MySQL 计算字符串的字节数

Python 用 len(s.encode())，JavaScript 用 TextEncoder 或 Blob，MySQL 用 LENGTH()，都能算出字符串的字节数。下面的例子都先定义 s = "你好，世界！"，结果可以和上面的对照表相互核对。

Python

str.encode() 会把字符串编码成 bytes，不传参数时默认使用 UTF-8，再用 len() 就能数出字节数。GBK 和 GB18030 的编码名可以在 Python 官方的标准编码列表里查到，gbk 的别名有 936、cp936 和 ms936。

写法	结果	含义
len(s)	6	码位个数
len(s.encode("utf-8"))	18	UTF-8 字节数
len(s.encode("gbk"))	12	GBK 字节数
len(s.encode("gb18030"))	12	GB18030 字节数
len(s.encode("utf-16-le"))	12	UTF-16 字节数（不含 BOM）

encode() 的 errors 参数默认为 "strict"，遇到无法编码的字符会抛出 UnicodeError。所以对含有 😀 或𠮷的字符串执行 s.encode("gbk") 会直接报错，算不出字节数。

JavaScript

在浏览器和 Node.js 里，常用的写法有两种。根据 MDN 的 TextEncoder 页面，TextEncoder “接受码位流作为输入，并提供 UTF-8 字节流作为输出”，encode() 返回一个 Uint8Array，页面示例中 "€" 编码后的长度是 3。Blob 的 size 属性返回字节数，而按照 W3C 的 File API 规范，传给 Blob 的字符串会先经过 UTF-8 编码，所以 new Blob([s]).size 得到的同样是 UTF-8 字节数。

写法	结果	含义
s.length	6	UTF-16 码元个数
[...s].length	6	码位个数
new TextEncoder().encode(s).length	18	UTF-8 字节数
new Blob([s]).size	18	UTF-8 字节数

在我们的测试里，TextEncoder 和 Blob 两种写法对表中每个字符串给出的结果都与 UTF-8 列一致，中是 3，😀 是 4，家庭表情是 18。这两种写法只能算 UTF-8，需要 GBK 字节数时，可以改用上面的 Python 写法。

MySQL

根据 MySQL 8.4 参考手册，LENGTH() 返回字节数，CHAR_LENGTH() 返回字符数。在连接字符集为 utf8mb4 时，SELECT LENGTH('海豚'), CHAR_LENGTH('海豚'); 的结果是 6 和 2。至于 VARCHAR 字段能存多少个汉字，可以参阅MySQL varchar(255) 能存多少个汉字，这里不展开。

计算字节数时容易出错的几个地方

算出的字节数和预期不符时，常见原因包括编码选择、KB 换算、换行符和全角标点。另外，看起来相同的文字也可能有不同的 Unicode 规范化形式，比如“é”可以是一个码位，也可以是字母 e 加组合重音符号，两种写法的 UTF-8 字节数不同。

用 GBK 处理表情符号或扩展区汉字。GBK 无法表示 😀、𠮷这类字符，编码时会失败或报错。如果文本里可能出现这些字符，应改用能表示它们的编码，在我们的测试里 UTF-8 和 GB18030 都能编码。
把 1000 和 1024 混用。有的工具按 1000 字节算 1 KB，有的按 1024 字节算 1 KB，同一段文字换算出的 KB 数会略有出入。比较两个结果之前，先看清各自的换算方式。
忽略换行符的差别。不同来源的文本换行符可能不同，有的是 \r\n（CRLF），有的是 \n（LF）。前者每个换行在 UTF-8 下占 2 个字节，后者占 1 个字节，行数越多，差距越大。
以为中文标点和英文标点一样大。全角逗号和感叹号的码位在 U+0800 到 U+FFFF 之间，在 UTF-8 下和常用汉字一样占 3 个字节，在我们的测试里 GBK 下占 2 个字节。半角的英文逗号在 UTF-8 下只占 1 个字节。

网址里的汉字为什么会变成 %E4%B8%AD

网址里的汉字会按 UTF-8 拆成字节，每个字节写成一个 %XX。“中”在 UTF-8 下是 3 个字节，放进网址就成了 %E4%B8%AD，“中文”则是 %E4%B8%AD%E6%96%87，正好 6 组。对一段中文做百分号编码后数一数有几组 %XX，就能直观看到它的 UTF-8 字节数。不过这只适用于单独编码的文本，不能凭整个网址里百分号的数量判断，因为网址里其他字符也可能被编码，各部分的规则也不同。想看看某段中文编码后的样子，可以使用 URL编码工具查看编码结果。

不写代码，用文本大小计算查看 UTF-8 字节数

文本大小计算是我们 Digily Link 提供的在线工具。它在浏览器中按 UTF-8 计算字节数，输入时结果会立即更新，文字不会发送到服务器，也无需登录。

打开文本大小计算页面。
在“文本”框中输入或粘贴要计算的内容。
查看下方的“大小”一行。页面上没有提交按钮，每输入或删除一个字，结果都会随之变化。

读结果时请注意以下几点。

工具沿用 KB、MB 的名称，但按 1024 换算，结果中的 KB 相当于 1024 字节，MB 相当于 1024 KB。按标准单位写法，这对应 KiB 和 MiB。
正好 1024 个字节时显示为 1024 B，超过 1024 个字节才换算成 KB，例如 1025 个字节显示为 1 KB。结果保留两位小数。
粘贴“你好，世界！”后，“大小”一行应显示 18 B，与对照表中的 UTF-8 列一致。
按照 HTML 规范，文本框读取内容时会把换行统一为 LF，所以即使从 Windows 文档里粘贴带 CRLF 的文字，每个换行通常也按 1 个字节计算。
工具只计算 UTF-8。需要 GBK 或 GB18030 的字节数时，请使用前文的 Python 写法。

想核对一段文案、接口参数或表单内容是否超出字节限制，可以直接用文本大小计算查看整段文字的 UTF-8 字节数。