如何確定具有不同編碼的文件大小？

Question

蘭亭集序是中國文學史上「行書」的頂峯。最令人着迷的一句話是：「我知道說生死是同一件事，而且長壽和早逝並沒有什麼區別，唉！」通過計算整個內容的字符（中文版），結果應該是391（包括標點符號）。對於寫入文本文件的這些字符，請選擇可能的文件大小而不會有任何數據損壞。在UTF-16編碼

A，782字節
B，784字節UTF-16編碼
C，以UTF-8編碼1173個字節
d，以UTF-8編碼
ë1176個字節，以上都不是
哪個是正確答案？爲什麼？

Answer 1

TL; DR

恐慌上校指出的，你需要做的391字符段的每個字符的詳細分析實際工作這一點。但是看起來你的審查員有一種非常邪惡的幽默感 - 假設所有字符都適合BMP並取決於BOM是否被使用，所有4個答案都可以證明是正確的。你最好的辦法是尋找一個不常見的字符，它不在BMP上，這會將UTF8和UTF16都推送到一個額外的轉義序列，在這種情況下，答案就不是上面的答案。

詳細

In UTF-8會有所有ASCII字符（值從0到127）

一個字符，並且似乎大多數「共同」 CJK字符使用3個字節，儘管不太常見CJK字符可能需要全部4個字節進行編碼。 當然，這取決於您的操作系統是否需要Byte Order Markers。

因此，例如，如果391個字符段落中的所有字節都是通用漢字且沒有BOM，則UTF-8應該是1173字節。隨着BOM的這將是1176字節。

在UTF-16中，似乎大多數常見的CJK字符都在Basic Multilingual Plane上，因此只需要2個字節即可對每個字符進行編碼。即391 * 2 = 782。

UTF 16幾乎總是有一個2字節的Byte Order Marker（FE FF或FF FE） - 即784字節。

FWIW，您提供的6個字符（蘭亭集序行書）都在BMP - check here上。

Answer 2

需要更多信息。 UTF-8和UTF-16（但不是UTF-32）都是可變寬度編碼。在UTF-8中，一些字符被編碼爲一個8位字節（一個八位字節），其他字符需要多達四個八位字節。