共计 3243 个字符，预计需要花费 9 分钟才能阅读完成。
严格来说，字符集和字符编码不是一个概念：
字符集 定义了字符和二进制的对应关系，为每个字符调配了惟一的编号。能够将字符集了解成一个很大的表格，它列出了所有字符和二进制的对应关系，计算机显示文字或者存储文字，就是一个查表的过程。
字符编码 规定了如何将字符的编号存储到计算机中。如果应用了相似 GB2312 和 GBK 的变长存储计划（不同的字符占用的字节数不一样），那么为了辨别一个字符到底应用了几个字节，就不能将字符的编号间接存储到计算机中，字符编号在存储之前必须要通过转换，在读取时还要再逆向转换一次，这套转换计划就叫做字符编码。
有的字符集在制订时就思考到了编码的问题，是和编码联合在一起的，例如ASCII、GB2312、GBK、BIG5 等，所以无论称作字符集还是字符编码都无所谓，也不好辨别两者的概念。而有的字符集只管制订字符的编号，至于怎么存储，那是字符编码的事件，Unicode 就是一个典型的例子，它只是定义了寰球文字的惟一编号，咱们还须要 UTF-8、UTF-16、UTF-32 这几种编码方案将 Unicode 存储到计算机中。
Unicode 能够应用的编码方案有三种，别离是：
- UTF-8：一种变长的编码方案，应用 1~6 个字节来存储；
- UTF-32：一种固定长度的编码方案，不论字符编号大小，始终应用 4 个字节来存储；
- UTF-16：介于 UTF-8 和 UTF-32 之间，应用 2 个或者 4 个字节来存储，长度既固定又可变。
UTF 是 Unicode Transformation Format 的缩写，意思是“Unicode 转换格局”，前面的数字表明至多应用多少个比特位 (Bit) 来存储字符。
1) UTF-8
UTF-8 的编码规定很简略：
- 如果只有一个字节，那么最高的比特位为 0，这样能够兼容 ASCII；
- 如果有多个字节，那么第一个字节从最高位开始，间断有几个比特位的值为 1，就应用几个字节编码，剩下的字节均以 10 结尾。
具体的表现形式为：
0xxxxxxx：单字节编码模式，这和 ASCII 编码齐全一样，因而 UTF-8 是兼容 ASCII 的；110xxxxx 10xxxxxx：双字节编码模式（第一个字节有两个间断的 1）；1110xxxx 10xxxxxx 10xxxxxx：三字节编码模式（第一个字节有三个间断的 1）；11110xxx 10xxxxxx 10xxxxxx 10xxxxxx：四字节编码模式（第一个字节有四个间断的 1）。
xxx 就用来存储 Unicode 中的字符编号。
上面是一些字符的 UTF-8 编码实例（着色局部示意原本的 Unicode 编号）：
| 字符 | 字母 N | 符号æ | 中文⻬ |
|---|---|---|---|
| Unicode 编号（二进制） | 01001110 | 11100110 | 00101110 11101100 |
| Unicode 编号（十六进制） | 4E | E6 | 2E EC |
| UTF-8 编码（二进制） | 01001110 |
11000011 10100110 |
11100010 10111011 10101100 |
| UTF-8 编码（十六进制） | 4E | C3 A6 | E2 BB AC |
对于罕用的字符，它的 Unicode 编号范畴是 0 ~ FFFF，用 1~3 个字节足以存储，只有及其常见，或者只有多数地区应用的字符才须要 4~6 个字节存储。
2) UTF-32
UTF-32 是固定长度的编码，始终占用 4 个字节，足以包容所有的 Unicode 字符，所以间接存储 Unicode 编号即可，不须要任何编码转换。节约了空间，进步了效率。
3) UTF-16
UFT-16 比拟奇葩，它应用 2 个或者 4 个字节来存储。
对于 Unicode 编号范畴在 0 ~ FFFF 之间的字符，UTF-16 应用两个字节存储，并且间接存储 Unicode 编号，不必进行编码转换，这跟 UTF-32 十分相似。
对于 Unicode 编号范畴在 10000~10FFFF 之间的字符，UTF-16 应用四个字节存储，具体来说就是：将字符编号的所有比特位分成两局部，较高的一些比特位用一个值介于 D800~DBFF 之间的双字节存储，较低的一些比特位（剩下的比特位）用一个值介于 DC00~DFFF 之间的双字节存储。
如果你不了解什么意思，请看上面的表格：
| Unicode 编号范畴（十六进制） | 具体的 Unicode 编号（二进制） | UTF-16 编码 | 编码后的字节数 |
|---|---|---|---|
| 0000 0000 ~ 0000 FFFF | xxxxxxxx xxxxxxxx | xxxxxxxx xxxxxxxx | 2 |
| 0001 0000—0010 FFFF | yyyy yyyy yyxx xxxx xxxx | 110110yy yyyyyyyy 110111xx xxxxxxxx | 4 |
位于 D800~0xDFFF 之间的 Unicode 编码是特地为四字节的 UTF-16 编码预留的，所以不应该在这个范畴内指定任何字符。如果你真的去查看 Unicode 字符集，会发现这个区间内的确没有收录任何字符。
UTF-16 要求在制订 Unicode 字符集时必须思考到编码问题，所以真正的 Unicode 字符集也不是随便编排字符的。
比照以上三种编码方案
首先，只有 UTF-8 兼容 ASCII，UTF-32 和 UTF-16 都不兼容 ASCII，因为它们没有单字节编码。
1) UTF-8 应用尽量少的字节来存储一个字符，岂但可能节俭存储空间，而且在网络传输时也能节俭流量，所以很多纯文本类型的文件（例如各种编程语言的源文件、各种日志文件和配置文件等）以及绝大多数的网页（例如百度、新浪、163 等）都采纳 UTF-8 编码。
UTF-8 的毛病是效率低，岂但在存储和读取时都要通过转换，而且在解决字符串时也十分麻烦。例如，要在一个 UTF-8 编码的字符串中找到第 10 个字符，就得从头开始一个一个地检索字符，这是一个很耗时的过程，因为 UTF-8 编码的字符串中每个字符占用的字节数不一样，如果不从头遍历每个字符，就不晓得第 10 个字符位于第几个字节处，就无奈定位。
不过，随着算法的逐年精进，UTF-8 字符串的定位效率也越来越高了，往往不再是槽点了。
2) UTF-32 是“以空间换效率”，正好补救了 UTF-8 的毛病，UTF-32 的劣势就是效率高：UTF-32 在存储和读取字符时不须要任何转换，在解决字符串时也能最疾速地定位字符。例如，在一个 UTF-32 编码的字符串中查找第 10 个字符，很容易计算出它位于第 37 个字节处，间接获取就行，不必再一一遍历字符了，没有比这更快的定位字符的办法了。
然而，UTF-32 的毛病也很显著，就是太占用存储空间了，在网络传输时也会耗费很多流量。咱们平时应用的字符编码值个别都比拟小，用一两个字节存储足以，用四个字节几乎是暴殄天物，甚至说是不能容忍的，所以 UTF-32 在利用上不如 UTF-8 和 UTF-16 宽泛。
3) UTF-16 能够看做是 UTF-8 和 UTF-32 的折中计划，它均衡了存储空间和解决效率的矛盾。对于罕用的字符，用两个字节存储足以，这个时候 UTF-16 是不须要转换的，间接存储字符的编码值即可。
Windows 内核、.NET Framework、Cocoa、Java String 外部采纳的都是 UTF-16 编码。UTF-16 是幕后的功臣，咱们在编辑源代码和文档时都是站在前台，所以个别感触不到，其实很多文本在后盾解决时都曾经转换成了 UTF-16 编码。
不过，UNIX 家族的操作系统（Linux、Mac OS、iOS 等）内核都采纳 UTF-8 编码，咱们就不去争执谁好谁坏了。
宽字符和窄字符（多字节字符）
有的编码方式采纳 1~n 个字节存储，是变长的，例如 UTF-8、GB2312、GBK 等；如果一个字符应用了这种编码方式，咱们就将它称为多字节字符，或者窄字符。
有的编码方式是固定长度的，不论字符编号大小，始终采纳 n 个字节存储，例如 UTF-32、UTF-16 等；如果一个字符应用了这种编码方式，咱们就将它称为宽字符。
Unicode 字符集能够应用窄字符的形式存储，也能够应用宽字符的形式存储；GB2312、GBK、Shift-JIS 等国家编码个别都应用窄字符的形式存储；ASCII 只有一个字节，无所谓窄字符和宽字符。
援用：http://c.biancheng.net/view/v…