中文与 Unicode 互转怎么做：编码转换的 3 种实用方式

先给结论：想知道 \u4e2d\u6587 到底是哪几个字，用在线工具最快；要嵌进脚本或接口里长期用，用语言内置的编解码函数；只有当你需要搞清楚原理时才动手写转换逻辑。三种方式对应三种场景，混用会让你在调试时多花一倍时间。

为什么值得专门讲：编码转换的报错几乎从不说"我编码错了"，它只会给你一堆看不懂的字符。接口返回一串反斜杠加 u 的组合、日志文件打开全是问号、URL 里出现百分号加两位十六进制——这些是同一件事的三个不同面。

本文基于 UTF-8 作为默认编码的现代环境，覆盖中文与 Unicode 互转、UTF-8 字节序列、以及它们与 Base64 的区别。文中的所有输出均为预期结果（未在本机执行），读者需要自己跑一遍核对。

先看结论

做编码转换之前先明确目标：你要的是转义文本、字节序列，还是另一种字符集。三者做法完全不同。

• 临时看一眼：在线转换工具，粘贴即出结果，不用装任何东西。
• 写进代码里：用语言内置的编码与解码函数，不要自己拼字符串。
• 排查乱码：先确认"写入时用的一套编码"和"读取时用的另一套"分别是谁，再针对性转换。
• Base64 不等于编码转换：它解决的是二进制在文本通道里传输的问题，不改变字符集含义。

语言内置的编码接口细节，可以对着 Python3 教程 里的字符串与字节序列章节过一遍。

一、先分清三个容易混的概念

字符集与编码规则。 Unicode 是一张给每个字符编号的大表，中文的"中"编号是 U+4E2D。UTF-8 是这套编号在存储时的一种编码方式，它把 U+4E2D 编成三个字节。日常说"Unicode 编码"时，多数人指的是 \u4e2d 这种转义写法，而不是 UTF-8 字节。

转义字符串。 接口里常见的 \u4e2d\u6587 是把编号写成文本形式，方便在只支持 ASCII 的通道里传输。它本身仍是普通文本，只是被写成了一串反斜杠和数字。

Base64。 把任意字节序列映射成可打印字符，用来在只接受文本的通道里搬运二进制。它不关心里面是中文还是图片，因此不要指望用 Base64 来解决乱码。

把这三件事分清之后，"为什么我转了 Base64 还是乱码"这种问题自然就消失了——因为乱码的成因在字符集那一层，不在传输编码这一层。

二、第一种：在线工具，适合临时核对

临时核对是编码转换里最常见的一类需求。，把待转换的内容粘进去，立刻得到原文或转义串。适合两类场景：接口日志里出现一串转义需要确认内容；或者要给少量文案生成转义形式。

这类工具的操作通常是粘贴、点转换、复制结果三步。上手前要区分它提供的方向：中文转 Unicode 与 Unicode 转中文是两个方向，别把结果粘错框。

在线方式的边界也很清楚：不适合批量、不适合放进自动化流程、不适合处理含敏感信息的内容。这些场景请走第二种。

三、第二种：用语言内置函数，适合写进代码

要长期复用的编码转换应该落在代码里，而不是每次手点。

s = "中文"
print(s.encode("utf-8"))
# 预期输出：b'\xe4\xb8\xad\xe6\x96\x87'

print(s.encode("unicode_escape"))
# 预期输出：b'\\u4e2d\\u6587'

print(b'\\u4e2d\\u6587'.decode("unicode_escape"))
# 预期输出：中文

这三行分别对应"得到 UTF-8 字节"、"得到转义形式"、"把转义还原成原文"。第三个方向就是从接口日志反查内容的标准动作。

浏览器与 Node 里的等价写法：

const bytes = new TextEncoder().encode('中文')
console.log(Array.from(bytes))
// 预期输出：[228, 184, 173, 230, 150, 135]

console.log('中'.charCodeAt(0).toString(16))
// 预期输出：4e2d

这里要先说清一件事：charCodeAt 取到的是 UTF-16 的码元，对绝大多数常用汉字来说与 Unicode 编号一致，但对超出基本平面的字符（比如部分 emoji）会返回一对代理项，需要按码点处理。

命令行批量转码时可以直接用转换工具：

iconv -f GBK -t UTF-8 input.txt > output.txt

这条命令把按 GBK 编码的文件转成 UTF-8。预期结果（未在本机执行）是新文件用 UTF-8 打开不再乱码。

浏览器端的写法细节记不清时，翻 JavaScript 速查手册 核对一遍最省事。

四、乱码的排查路径与三个坑

坑一：读写两侧用的不是同一套编码。 文件以 GBK 写入、用 UTF-8 打开，就会得到一堆无法识别的字符。修复方式不是"再转一次"，而是先确认写入侧的编码，再用 iconv 之类工具按真实编码做一次转换。

坑二：重复编码。 已经转成转义串的内容又被转一次，会出现双重反斜杠。判断方法是看字符串里有没有成对出现的连续反斜杠。

坑三：把代理对当成一个字符处理。 部分字符由两个码元组成，按字符数截断会把它们切开，得到两个无法显示的半个字符。处理这类字符时要按码点遍历，而不是按下标遍历。

排查顺序（预期结果，未在本机执行）：

• 检查：确认内容里的是 UTF-8 字节、转义串，还是 Base64，三者处理方式不同；
• 运行：按第三种的写法跑一次解码，看能否还原；
• 预期：还原后是可读的中文，且长度符合字符数而不是字节数；
• 失败：出现问号或方框，说明读写编码不一致，回到坑一；
• 修复：按真实来源编码做一次转换，不要反复尝试各种编码组合；
• 验证：把结果写回文件再用 UTF-8 打开，确认不再出现替代字符。

总结

编码转换不需要背规则，只需要分清三件事：字符集、存储编码、传输编码各自解决什么问题，然后选对工具。

四条带走：

• 临时核对用在线工具，长期用内置函数，别手写转换；
• Unicode 转义、UTF-8 字节、Base64 是三件不同的事；
• 乱码先找读写两侧各用了哪套编码，再动手转；
• 超出基本平面的字符按码点处理，别按字符下标截断。

下一步建议给项目里所有读写文件的调用点统一显式指定编码，不要依赖运行环境的默认值。

常见问题

Q：接口返回的 \u4e2d\u6587 怎么变成中文？

A：这是一串 Unicode 转义文本，用语言内置的转义解码即可，Python 里是 unicode_escape，JavaScript 里可以用 JSON 解析直接还原。

Q：文件打开全是问号，是文件坏了吗？

A：多数不是。文件只是用另一套编码写的，用读取侧没指定的那套编码打开就会这样。确认写入侧编码后用转换工具转一次即可。

Q：Base64 能解决乱码吗？

A：不能。Base64 只负责把二进制变成可打印文本，它不参与字符集的转换，乱码问题要在编码那一层解决。

Q：为什么一个 emoji 的长度算出来是 2？

A：因为它由一对代理项组成。按码点遍历才能得到正确的字符数，按下标取会把它们看成两个字符。

Q：中文在 UTF-8 里占几个字节？

A：常用汉字是三个字节，部分扩展区的字符会占四个。用字节长度做截断时务必留意这个差异。

延伸学习

想把编码这块弄清楚，可以按这个顺序来：

1. 想补一遍前端里的字符处理，Web前端入门扫盲课程 可以跟一遍；
2. 读一篇相关笔记 字符编码是什么，看字符集与编码规则的关系；
3. 想随手验证一段转义，用 中文与Unicode互转 最快。