摘自網絡+修改整理

最初的unicode編碼是固定長度的靶庙，16位问畅，也就是2兩個字節(jié)代表一個字符，這樣一共可以表示65536個字符六荒。顯然护姆，這樣要表示各種語言中所有的字符是遠遠不夠的。Unicode4.0規(guī)范考慮到了這種情況掏击，定義了一組附加字符編碼卵皂，附加字符編碼采用2個16位來表示，這樣最多可以定義1048576個附加字符砚亭，unicode4.0只定義了45960個附加字符灯变。


Unicode只是一個編碼規(guī)范，主要有兩種：UCS-2（或UTF-16）[Unicode 的 2 字節(jié)形式]捅膘，UCS-4 （或UTF-32）[Unicode 的 4 字節(jié)形式]添祸。


Unicode的實現方式包括UTF-7、 UTF-7.5寻仗、Punycode刃泌、CESU-8、SCSU、UTF-32耙替、GB18030等亚侠，這些實現方式有些僅在一定的國家和地區(qū)使用，有些則屬于未來的規(guī)劃方式林艘。當前通用的實現方式是UTF-16小端序（LE）盖奈、UTF-16大端序（BE）和UTF-8，幾種unicode字符集之間可以按照規(guī)范進行轉換狐援。

win10 文本格式存儲類型

在微軟公司Windows 10附帶的記事本（Notepad）中钢坦，“另存為”對話框可以選擇的四種編碼方式除去非Unicode編碼的ANSI（對于英文系統(tǒng)即ASCII編碼，中文系統(tǒng)則為GB2312啥酱、GBK爹凹、GB18030、或Big5編碼）外镶殷，其余三種為“Unicode”（對應UTF-16 LE）禾酱、“Unicode big endian”（對應UTF-16 BE）和“UTF-8”。

最新的Unicode規(guī)范是Unicode 12.0

從GB2312（1980年）绘趋、GBK（1995年）到GB18030（2000年）颤陶，這些編碼方法是向下兼容的

2016-06-21 頒發(fā)的 Unicode 9.0 新增支持7500種新字符，總數達到128,172種

UTF-8陷遮、UTF-7、UTF-16 都是被廣泛接受的傳輸帽馋、保存方案搅方。

1. ASCII碼
   我們知道，在計算機內部绽族，所有的信息最終都表示為一個二進制串的表示姨涡。每一個二進制位（bit）有0和1兩種狀態(tài)，因此八個二進制位就可以組合出256種狀態(tài)，這被稱為一個字節(jié)（byte）。也就是說，一個字節(jié)一共可以用來表示256種不同的狀態(tài)，每一個狀態(tài)對應一個符號，就是256個符號，從0000 0000到1111 1111骚亿。
   上個世紀60年代已亥，美國制定了一套字符編碼，對英語字符與二進制位之間的關系来屠，做了統(tǒng)一規(guī)定虑椎。這被稱為ASCII碼，一直沿用至今俱笛。
   ASCII碼一共規(guī)定了128個字符的編碼捆姜，比如空格“SPACE”是32（二進制0010 0000），大寫的字母A是65（二進制0100 0001）迎膜。這128個符號（包括32個不能打印出來的控制符號）娇未，只占用了一個字節(jié)的后面7位，最前面的1位統(tǒng)一規(guī)定為0星虹。

2、非ASCII編碼
英語用128個符號編碼就夠了镊讼，但是用來表示其他語言宽涌，128個符號是不夠的。比如蝶棋，在法語中卸亮，字母上方有注音符號，它就無法用ASCII碼表示玩裙。于是兼贸，一些歐洲國家就決定，利用字節(jié)中閑置的最高位編入新的符號吃溅。比如溶诞，法語中的é的編碼為130（二進制10000010）。這樣一來决侈，這些歐洲國家使用的編碼體系螺垢，可以表示最多256個符號。
但是，這里又出現了新的問題枉圃。不同的國家有不同的字母功茴，因此，哪怕它們都使用256個符號的編碼方式孽亲，代表的字母卻不一樣坎穿。比如，130在法語編碼中代表了é返劲，在希伯來語編碼中卻代表了字母Gimel (?)玲昧，在俄語編碼中又會代表另一個符號。但是不管怎樣旭等，所有這些編碼方式中酌呆，0—127表示的符號是一樣的，不一樣的只是128—255的這一段搔耕。
至于亞洲國家的文字隙袁，使用的符號就更多了，漢字就多達10萬左右弃榨。一個字節(jié)只能表示256種符號菩收，肯定是不夠的，就必須使用多個字節(jié)表達一個符號鲸睛。比如娜饵，簡體中文常見的編碼方式是GB2312，使用兩個字節(jié)表示一個漢字官辈，所以理論上最多可以表示256x256=65536個符號箱舞。
中文編碼的問題需要專文討論，這篇筆記不涉及拳亿。這里只指出晴股，雖然都是用多個字節(jié)表示一個符號，但是GB類的漢字編碼與后文的Unicode和UTF-8是毫無關系的肺魁。

3.Unicode
正如上一節(jié)所說电湘，世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號鹅经。因此寂呛，要想打開一個文本文件，就必須知道它的編碼方式瘾晃，否則用錯誤的編碼方式解讀贷痪，就會出現亂碼。為什么電子郵件常常出現亂碼蹦误？就是因為發(fā)信人和收信人使用的編碼方式不一樣呢诬。
可以想象涌哲，如果有一種編碼，將世界上所有的符號都納入其中尚镰。每一個符號都給予一個獨一無二的編碼阀圾，那么亂碼問題就會消失。這就是Unicode狗唉，就像它的名字都表示的初烘，這是一種所有符號的編碼。Unicode當然是一個很大的集合分俯，現在的規(guī)纳隹穑可以容納100多萬個符號。每個符號的編碼都不一樣缸剪，比如吗铐，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A杏节，U+4E25表示漢字“嚴”唬渗。具體的符號對應表，可以查詢unicode.org奋渔，或者專門的漢字對應表镊逝。

4. Unicode的問題
   需要注意的是，Unicode只是一個符號集嫉鲸，它只規(guī)定了符號的二進制代碼撑蒜，卻沒有規(guī)定這個二進制代碼應該如何存儲。
   比如玄渗，漢字“嚴”的unicode是十六進制數4E25座菠，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節(jié)藤树。表示其他更大的符號辈灼，可能需要3個字節(jié)或者4個字節(jié)，甚至更多也榄。
   這里就有兩個嚴重的問題，第一個問題是司志，如何才能區(qū)別unicode和ascii甜紫？計算機怎么知道三個字節(jié)表示一個符號，而不是分別表示三個符號呢骂远？第二個問題是囚霸，我們已經知道，英文字母只用一個字節(jié)表示就夠了激才，如果unicode統(tǒng)一規(guī)定拓型，每個符號用三個或四個字節(jié)表示额嘿，那么每個英文字母前都必然有二到三個字節(jié)是0，這對于存儲來說是極大的浪費劣挫，文本文件的大小會因此大出二三倍册养，這是無法接受的。
   它們造成的結果是：
   1）出現了unicode的多種存儲方式压固，也就是說有許多種不同的二進制格式球拦，可以用來表示unicode。
   2）unicode在很長一段時間內無法推廣帐我，直到互聯網的出現坎炼。

5.UTF-8
互聯網的普及，強烈要求出現一種統(tǒng)一的編碼方式拦键。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式谣光。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用芬为。重復一遍萄金，這里的關系是，UTF-8是Unicode的實現方式之一碳柱。
UTF-8最大的一個特點捡絮，就是它是一種變長的編碼方式。它可以使用1~4個字節(jié)表示一個符號莲镣，根據不同的符號而變化字節(jié)長度福稳。
UTF-8的編碼規(guī)則很簡單，只有二條：
1）對于單字節(jié)的符號瑞侮，字節(jié)的第一位設為0的圆，后面7位為這個符號的unicode碼。因此對于英語字母半火，UTF-8編碼和ASCII碼是相同的越妈。
2）對于n字節(jié)的符號（n>1），第一個字節(jié)的前n位都設為1钮糖，第n+1位設為0梅掠，后面字節(jié)的前兩位一律設為10。剩下的沒有提及的二進制位店归，全部為這個符號的unicode碼阎抒。

下表總結了編碼規(guī)則，字母x表示可用編碼的位：

Unicode符號范圍	UTF-8編碼方式
(十六進制)	（二進制）
0000 0000-0000 007F	0xxxxxxx
0000 0080-0000 07FF	110xxxxx 10xxxxxx
0000 0800-0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下面消痛，還是以漢字“嚴”為例且叁，演示如何實現UTF-8編碼。
已知“嚴”的unicode是4E25（100111000100101）秩伞，根據上表逞带，可以發(fā)現4E25處在第三行的范圍內（0000 0800-0000 FFFF）欺矫，因此“嚴”的UTF-8編碼需要三個字節(jié)，即格式是“1110xxxx 10xxxxxx 10xxxxxx”展氓。然后穆趴，從“嚴”的最后一個二進制位開始，依次從后向前填入格式中的x带饱，多出的位補0毡代。這樣就得到了，“嚴”的UTF-8編碼是“11100100 10111000 10100101”勺疼，轉換成十六進制就是E4B8A5教寂。

why:
[1] 這樣便于識別盟步，比如我隨便讀取到一個字節(jié)，根據 8 位中的開始的兩位即可區(qū)分究竟是一個字符的頭字節(jié)躏结，還是一個字符的未完的字節(jié)（非頭字節(jié)）却盘。如果是 10 ，那必然是非頭字節(jié)媳拴。本質是浪費了一定的位黄橘，用來降低誤碼的影響，一個字符的編碼出錯了屈溉，不會影響后續(xù)的字符塞关。

一個字節(jié)被讀入并以utf8格式識別流程示意圖

6. Unicode與UTF-8之間的轉換
   通過上一節(jié)的例子，可以看到“嚴”的Unicode碼是4E25子巾，UTF-8編碼是E4B8A5帆赢，兩者是不一樣的。它們之間的轉換可以通過程序實現线梗。
   在Windows平臺下椰于，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe缠导。打開文件后，點擊“文件”菜單中的“另存為”命令溉痢，會跳出一個對話框僻造，在最底部有一個“編碼”的下拉條憋他。
   里面有四個選項：ANSI，Unicode髓削，Unicode big endian 和 UTF-8竹挡。
   1）ANSI是默認的編碼方式。對于英文文件是ASCII編碼立膛，對于簡體中文文件是GB2312編碼（只針對Windows簡體中文版揪罕，如果是繁體中文版會采用Big5碼）。
   2）Unicode編碼指的是UCS-2編碼方式宝泵，即直接用兩個字節(jié)存入字符的Unicode碼好啰。這個選項用的little endian格式。
   3） Unicode big endian編碼與上一個選項相對應儿奶。
   4）UTF-8編碼框往，也就是上一節(jié)談到的編碼方法。
   選擇完”編碼方式“后闯捎，點擊”保存“按鈕椰弊，文件的編碼方式就立刻轉換好了。

7. Little endian和Big endian
   上一節(jié)已經提到瓤鼻，Unicode碼可以采用UCS-2格式直接存儲秉版。以漢字”嚴“為例，Unicode碼是4E25茬祷，需要用兩個字節(jié)存儲清焕，一個字節(jié)是4E，另一個字節(jié)是25牲迫。存儲的時候耐朴，4E在前，25在后盹憎，就是Big endian方式筛峭；25在前，4E在后陪每，就是Little endian方式影晓。
   這兩個古怪的名稱來自英國作家斯威夫特的《格列佛游記》。在該書中檩禾，小人國里爆發(fā)了內戰(zhàn)挂签，戰(zhàn)爭起因是人們爭論，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開盼产。為了這件事情饵婆，前后爆發(fā)了六次戰(zhàn)爭，一個皇帝送了命戏售，另一個皇帝丟了王位侨核。
   因此草穆，第一個字節(jié)在前，就是”大頭方式“（Big endian）搓译，第二個字節(jié)在前就是”小頭方式“（Little endian）悲柱。
   那么很自然的，就會出現一個問題：計算機怎么知道某一個文件到底采用哪一種方式編碼些己？
   Unicode規(guī)范中定義豌鸡，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE）段标，用FEFF表示涯冠。這正好是兩個字節(jié)，而且FF比FE大1怀樟。
   如果一個文本文件的頭兩個字節(jié)是FE FF功偿，就表示該文件采用大頭方式；如果頭兩個字節(jié)是FF FE往堡，就表示該文件采用小頭方式械荷。

參考資料：

[1] UTF-8為什么會比UTF-16浪費？
[2]unicode和utf-8是什么關系
[3]字符編碼筆記：ASCII虑灰，Unicode和UTF-8__排版好看

[4]不依賴任何系統(tǒng)API,用c語言實現gbk/utf8/unicode編碼轉換__以后看
[5]C語言漢字gbk轉utf-8__以后看

[6]發(fā)到貼吧轉碼___圖片處理 __什么鬼

unicode都是16位的么吨瞎？難道世界上的文字，總共不超過65536個穆咐？