这是我参与8月更文挑战的第22天，活动详情查看：8月更文挑战
计算机存储回顾
在前面的文章，计算机存储基础中，我们了解到，计算机最小的存储单元是位，位仅储存 0 或 1
1字节 = 8位，那么每一位有 0 或 1 两种选择，8位就是 2^8（2的8次方），256种组合方式，于是8位可以表示 0-255 这个范围的数字，比如 00010000 是 32
ASCII
上个世纪60年代，美国制定了一套字符编码，制定英语字符和二进制之间的关系，这就是 ASCII 码，一直沿用至今
ASCII 码一共规定了 128 个字符的编码，从 0（00000000）-127（01111111），其中比如 space 空格是 32，A 是 65，下图是所有的可显示字符，小于 32 和 127 的字符属于控制字符
我们可以看到，这 128 个字符，只占了一个字节的后面 7 位，最前面的一位始终为 0
非 ASCII
如果只是使用这 128 个字符，可以满足英文的存储，但是不同国家有各自的语言，大家同时想要把各自的语言对应的字符，放到目前空闲的 128-155 位置上，各自国家有各自的编码方式。
比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语中又代表了其他字符，这样就导致，在同一个计算机上想要显示两种语言是不可能的，因为他们的编码方式不同。这个问题在亚洲国家就更严重了，汉字就多达10万左右。
如果我们只使用英语，或者从未把字符串从一台计算机移动到另一台，那它始终是可以工作的，但是一旦互联网出现，把字符串从一台计算机移动到另一台，那么他们表示的含义就会不同，整个混乱的局面就将无法收拾，幸运的是 unicode 被发明了～
Unicode
Unicode 是一个符号集合，将世界上所有的符号都纳入其中，每个符号有一个唯一的编码
Unicode 当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字严。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。
但是 Unicode 只是一个符号集合，规定了比如 严 对应的代码为 U+4E25，其中 U + 代表 Unicode 代码，4E25 代表它的 16 进制代码，转换成二进制有 15 位（100111000100101），那么我们应该在计算机上如何存储呢？这样就会产生两个问题：
- 如何把 Unicode 和 ASCII 码区分，如何知道是几个字节表示一个字符？
- 如果统一用 3、4 个字节表示一个字符，那么对于 ASCII，前面的几位将全部是 0，对于空间是一个很大的浪费
UTF-8
UTF-8 是 Unicode 的一种实现方式。它解决了前面提到的两个问题。其他实现方式还包括 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。
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。
它的编码规则很简单，只有两条： 1）对于单字节的字符，第一位始终为 0，后面 7 位是这个字符的 Unicode 码，这样对于英语字母来说，UTF-8 和 ASCII 码始终相同 2）对于 n 字节的字符（n>1），第一个字节的前 n 位都设置成1，第 n+1 位设为 0，后面的字节前两位都设置成 10，对于没有提到的二进制位，填充为这个字符的 Unicode 码
Unicode符号范围 | UTF-8编码方式
(十六进制) | （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
比如前面说的严，对应的代码为 4E25（100111000100101），对应上表的第三行，于是它的编码格式为 1110xxxx 10xxxxxx 10xxxxxx，从最后它的一个二进制位开始，依次从后往前填充，多出的位补 0，于是，填充完它的 Unicode 码后为 11100100 10111000 10100101
最后
总结一下我们平时开发需要注意 在不知道字符串使用什么编码的情况下，拥有字符串是没有意义的，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。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。
本文参考：
阮一峰老师的博客：www.ruanyifeng.com/blog/2007/1…
每个软件开发人员绝对必须了解Unicode和字符集：www.joelonsoftware.com/2003/10/08/…
