Unicode 码位数、UTF-8 字节数、中英文差异和 Oracle 长度别再混淆了

处理文本长度时，很多人最常见的困惑就是：听说中文要占 3 个字节？那英文单词怎么算的？Oracle 的 VARCHAR2 好像给的挺大，但貌似还没存那么多就报错长度不够存了？

其实，关键就在于要先区分清楚三种不同的"长度"代表的含义。

01 | Unicode 码位数

三种长度，含义有所不同，其中 Unicode 码位数最好理解，直接是按字符逐个计数的方式。

对常见的中文、ASCII 英文字母、空格、换行、标点和单个而言，通常各算 1 个 Unicode 码位。不像 UTF-8 字节数还需要稍微换算下。

笔者注："肉眼看到的一个字符"不一定只包含一个码位，例如组合字符和部分 emoji 序列。

内容	Unicode 码位数	UTF-8 字节数
中	1	3
A	1	1
hello	5	5
你好	2	6
	1	4

因此，英文"单词"没有固定长度，要看里面实际包含多少字符：

hello = 5
don't = 5
e-mail = 6
AI2026 = 6

02 | UTF-8 字节数为何不同

UTF-8 是一种编码方式，它决定字符存储时占多少字节。常见情况下，ASCII 英文字符占 1 字节，中文通常占 3 字节，通常占 4 字节。

所以"一个中文占 3 个"说的通常是 UTF-8 字节数，并不是 Unicode 码位数。你好 有 2 个码位，但存成 UTF-8 通常需要 6 字节。

03 | Oracle VARCHAR2 要看 CHAR 还是 BYTE

Oracle 的长度规则还取决于列定义和数据库字符集。数据库字符集为 AL32UTF8 时，中文通常占 3 字节，但以下两种定义含义不同：

VARCHAR2(6000 CHAR)：最多 6,000 个字符
VARCHAR2(6000 BYTE)：最多 6,000 个字节

前者关注字符数量，后者关注存储字节数，不能混为一谈，如果创建字段类型时，如果未显式指定 CHAR 或 BYTE，很多环境默认是 BYTE，但不要依赖默认值，建表时应明确写出语义，这也是很多人会踩坑的地方。

此外，VARCHAR2(6000 CHAR) 表示最多 6,000 个字符语义上的字符；但它仍受 VARCHAR2 的绝对字节上限限制。MAX_STRING_SIZE = STANDARD 时上限为 4000 字节，EXTENDED 时为 32767 字节。因此在 AL32UTF8 中，想稳定容纳 6000 个中文，通常需要 MAX_STRING_SIZE = EXTENDED；否则应使用 CLOB。

一个很实用的 Oracle 自检 SQL：

复制代码

SELECT LENGTH(col)  AS char_count,
       LENGTHB(col) AS byte_count
FROM   your_table;

04 | 应用层截断又是另一件事

Python 中的 text[:6000] 按 Unicode 码位截取：6,000 个中文大致可达到 18,000 个 UTF-8 字节；6,000 个 ASCII 英文字符约为 6,000 字节；中英文混合则介于两者之间。

因此，这类 6,000 限制是应用层控制传给模型内容规模的规则，不等同于 Oracle VARCHAR2 限制，也不是 UTF-8 字节限制。

关注我，和AI一起成长~