ASCII、Unicode和UTF

计算机内部，所有信息最终都是一个二进制。每一个二进制位（bit）有0和1两种状态，因此8个二进制位就可以组合出256种状态，这被称为一个字节（Byte）。也就是说，一个字节一共可以用来表256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

上世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。

ASCII 码一共规定了128个字符的编码，比如空格SPACE是32（二进制 0010 0000），大写的字母A是65（二进制位 0100 0001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的一位统一规定为0

如果只表示英语，用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。

于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

但是，这里又出现了新的问题。不同国家有不同的字母，因此，哪怕它们都是用256个符号的编码方式，代表的字母却不一样。比如，130在法语中代表了é，在西伯利亚语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另外一个符号。但是不管怎样，所有这些编码方式中，0-127表示的符号是一样的，不一样的只是128-255的这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表示一个符号。比如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示 256 * 256 = 65536 个符号。

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读就会出现乱码。这就是为什么文件经常出现乱码，因为编码和解码用的编码方式不一样

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字一样，这是一种所有符号的编码。Unicode 为世界上所有的字符都分配了一个唯一的数字编码，这个编码从0x000000 到 0x10FFFF（十六进制），有110多万，每个字符都有唯一的 Unicode 编号，这个编号一般写成16进制，在前面加上 U+。例如：U+9A6C 表示汉字马、U+4E25表示汉字严、U+0639表示阿拉伯字母Ain、U+0041表示英语的大写字母A。

Unicode 就相当于一张表，建立了字符和编号之间的联系。

Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。比如，汉字严的 Unicode 是十六进制数4E25,转换成二进制数足足有15位（100 1110 0010 0101），也就是说，这个符号的表示至少需要两个字节。表示其他更大的符号可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题： 问题一：如何才能区别 Unicode 和 ASCII？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？ 问题二：英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必须有两个或者三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出两三倍。

结果一：出现了 Unicode的多种存储方式，也就是说有许多种不同的二进制格式可以用来表示 Unicode，主要有UTF-8、UTF-16、UTF-32。 结果二：Unicode 在很长一段时间内无法推广，直到互联网的出现。

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是互联网上使用最广的一种 Unicode 的实现方式。其他方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。

注意：UTF-8 是 Unicode 的实现方式之一。

UTF-8的特点： UTF-8 最大的特点就是，它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。 UTF-8 的编码规则有两条： 规则一：对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8编码和 ASCII 码是相同的。 规则二：对于n字节的符号（n>1）,第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10.剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

根据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

下面，还是以汉字严为例，延时如何实现 UTF-8 编码。

严的 Unicode 是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此严的 UTF-8 编码需要三个字节，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后，从严的最后一个二进制位开始，一次从后向前填入格式中的x，多出的位补0.这样就得到了，严的 UTF-8 编码是 11100100 10111000 10100101，转换成十六进制就是E4B8A5。