Java课程——让人头疼的字符编码：ASCII,Unicode和UTF系列

来简单了解一下，让人头疼的字符编码：ASCII,Unicode和UTF

在计算机中，所有的东西最终都归为二进制。每一个二进制位(bit)都只有0和1两种状态。八个二进制位就可以组成256种状态，也就是字节(Byte)。所以，有几个二进制位，就可以表示2的n次方种不同的状态。

如果用128种状态（七个二进制位），每个状态对应一个符号，那就可以有128种符号。

一、ASCII码

ASCII码是美国制定的一套字符编码，统一规定了英文字符与二进制位的关系。ASCII码一共规定了128个字符的编码，它只占用了一个的字节的后面7位，最前面以为统一规定位0。

对于英文来说，128个符号编码足够了，但对于其他语言来说，是远远不够的。所以，存在这样一种编码，将世界上所有的符号都包含在里面，每一个符号都有独一无二的编码。这样的编码叫Unicode，这是一种所有符号的编码，所以它也叫万国码。

二、Unicode

Unicode为世界上的所有字符都分配了一个唯一的数字编号，这个编号范围从0x000000到0x10FFFF(十六进制)，具体的可以查阅unicode.org。

Unicode涵盖了所有的符号，但是它只是一个符号集，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果储存。实际上，有很多种实现方式，UTF-8、UTF-16、UTF-32……都是 Unicode编码 的一种实现。

三、UTF-8

UTF-8是在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),UTF-32(字节用四个字节表示)。

UTF-8最大的一个特点，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：

• 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。对于英语字母来说，UTF-8和ASCII是相同的
• 对于n字节的符号，第一个字节的前n都都设为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，全部位这个符号的Unicode码。

Unicode符号范围（十六进制）	UTF-8编码方式（二进制）
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

其实解读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。

参考Blog:

https://blog.youkuaiyun.com/qq_36761831/article/details/82291166
https://blog.youkuaiyun.com/Deft_MKJing/article/details/79460485#commentBox
http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html