今天下午，我突然想搞清楚unicode和utf-8之間的關係，於是就開始在網上查資料。
結果，這個問題比我想象的複雜，從午飯後一直看到晚上8：30點，才算初步搞清楚。
下面就是我的筆記，主要用來整理自己的思路。但是，我盡量試圖寫得通俗易懂，希望能對其他朋友有用。畢竟，字元編碼是計算機技術的基石，想要熟練使用計算機，就必須懂得一點字元編碼的知識。
1. ascii碼
我們知道，在計算機內部，所有的資訊最終都表示為乙個二進位制的字串。每乙個二進位制位（bit）有0和1兩種狀態，因此八個二進位制位就可以組合出256種狀態，這被稱為乙個位元組（byte）。也就是說，乙個位元組一共可以用來表示256種不同的狀態，每乙個狀態對應乙個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國制定了一套字元編碼，對英語字元與二進位制位之間的關係，做了統一規定。這被稱為ascii碼，一直沿用至今。
ascii碼一共規定了128個字元的編碼，比如空格「space」是32（二進位制00100000），大寫的字母a是65（二進位制01000001）。這128個符號（包括32個不能列印出來的控制符號），只占用了乙個位元組的後面7位，最前面的1位統一規定為0。
2、非ascii編碼
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ascii碼表示。於是，一些歐洲國家就決定，利用位元組中閒置的最高位編入新的符號。比如，法語中的é的編碼為130（二進位制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。
但是，這裡又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母gimel(ג)，在俄語編碼中又會代表另乙個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。乙個位元組只能表示256種符號，肯定是不夠的，就必須使用多個位元組表達乙個符號。比如，簡體中文常見的編碼方式是gb2312，使用兩個位元組表示乙個漢字，所以理論上最多可以表示256x256=65536個符號。
中文編碼的問題需要專文討論，這篇筆記不涉及。這裡只指出，雖然都是用多個位元組表示乙個符號，但是gb類的漢字編碼與後文的unicode和utf-8是毫無關係的。
3.unicode
正如上一節所說，世界上存在著多種編碼方式，同乙個二進位制數字可以被解釋成不同的符號。因此，要想開啟乙個文字檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每乙個符號都給予乙個獨一無二的編碼，那麼亂碼問題就會消失。這就是unicode，就像它的名字都表示的，這是一種所有符號的編碼。
unicode當然是乙個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，u+0639表示阿拉伯字母ain，u+0041表示英語的大寫字母a，u+4e25表示漢字「嚴」。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。
4. unicode的問題
需要注意的是，unicode只是乙個符號集，它只規定了符號的二進位制**，卻沒有規定這個二進位制**應該如何儲存。
比如，漢字「嚴」的unicode是十六進製制數4e25，轉換成二進位制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個位元組。表示其他更大的符號，可能需要3個位元組或者4個位元組，甚至更多。
這裡就有兩個嚴重的問題，第乙個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個位元組表示乙個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文本母只用乙個位元組表示就夠了，如果unicode統一規定，每個符號用三個或四個位元組表示，那麼每個英文本母前都必然有二到三個位元組是0，這對於儲存來說是極大的浪費，文字檔案的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：1）出現了unicode的多種儲存方式，也就是說有許多種不同的二進位制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到網際網路的出現。
5.utf-8
網際網路的普及，強烈要求出現一種統一的編碼方式。utf-8就是在網際網路上使用最廣的一種unicode的實現方式。其他實現方式還包括utf-16和utf-32，不過在網際網路上基本不用。重複一遍，這裡的關係是，utf-8是unicode的實現方式之一。
utf-8最大的乙個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示乙個符號，根據不同的符號而變化位元組長度。
utf-8的編碼規則很簡單，只有二條：
1）對於單位元組的符號，位元組的第一位設為0，後面7位為這個符號的unicode碼。因此對於英語字母，utf-8編碼和ascii碼是相同的。
2）對於n位元組的符號（n>1），第乙個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進位制位，全部為這個符號的unicode碼。
下表總結了編碼規則，字母x表示可用編碼的位。
unicode符號範圍 |utf-8編碼方式
(十六進製制)| （二進位制）
0000 0000-0000 007f | 0******x
0000 0080-0000 07ff | 110***xx 10******
0000 0800-0000 ffff | 1110***x 10******10******
0001 0000-0010 ffff | 11110*** 10******10******10******
下面，還是以漢字「嚴」為例，演示如何實現utf-8編碼。
已知「嚴」的unicode是4e25（100111000100101），根據上表，可以發現4e25處在第三行的範圍內（00000800-0000ffff），因此「嚴」的utf-8編碼需要三個位元組，即格式是「1110***x10******10******」。然後，從「嚴」的最後乙個二進位制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，「嚴」的utf-8編碼是「111001001011100010100101」，轉換成十六進製制就是e4b8a5。
6.unicode與utf-8之間的轉換
通過上一節的例子，可以看到「嚴」的unicode碼是4e25，utf-8編碼是e4b8a5，兩者是不一樣的。它們之間的轉換可以通過程式實現。
在windows平台下，有乙個最簡單的轉化方法，就是使用內建的記事本小程式notepad.exe。開啟檔案後，點選「檔案」選單中的「另存為」命令，會跳出乙個對話方塊，在最底部有乙個「編碼」的下拉條。
unicode和utf8的關係
很久以前儲存的，別人寫的但是很明了 很久很久以前，有一群人，他們決定用8個可以開合的電晶體來組合成不同的狀態，以表示世界上的萬物。他們看到8個開關狀態是好的，於是他們把這稱為 位元組 再後來，他們又做了一些可以處理這些位元組的機器，機器開動了，可以用位元組來組合出很多狀態，狀態開始變來變去。他們看到...
Unicode 與 UTF 8的關係
要弄清unicode與utf 8的關係，我們還得從他們的 說起，下來我們從剛開始的編碼說起，直到utf 8的出現，我們就會感覺到他們之間的關係 1 ascii碼 我們都知道，在計算機的世界裡，資訊的表示方式只有0和1,但是我們人類資訊表示的方式卻與之大不相同，很多時候是用語言文字 影象 聲音等傳遞資...
Unicode 和 UTF 8 的關係和區別
說到編碼，得先從ascii編碼講起。ascii編碼是由美國人發明，美國的字元不超過255個，所以ascii編碼使用了8bit 即乙個位元組來儲存字元。由於漢字的數量遠超255個，所以中國自己發明了乙個gb2312編碼來表示漢字，一般的漢字使用2個位元組，對於一些生僻的漢字則使用更多的位元組來表示，當...