零帧起手，先说结论：
Unicode 不是某一种具体的存储格式，它更像一套“统一编号标准”；UTF-8 则是把这套编号真正编码成字节的一种实现方式。
很多人第一次接触这两个概念时，容易把它们混在一起。原因也很简单：它们总是一起出现，而且都和“编码”有关。但如果一开始就没把这层关系理顺，后面看乱码、字符集、文件编码时，就很容易越看越乱。
这篇文章就讲清楚两件事：
Unicode解决了什么问题。UTF-8又是怎么把Unicode落地的。
为什么会乱码？
先举个不严谨但很好懂的例子。
假设郭德纲和于谦各自发明了一套“字符表”。
- 郭德纲规定：
1 -> 郭 - 于谦规定：
1 -> 于
两个人都写了一篇文章，再把文章转换成自己那套编号。问题来了：如果你只拿到一串数字，却不知道它到底遵循的是哪一套规则，那你在还原时就可能把“郭”读成“于”，把“于”读成“郭”。
乱码本质上就是这个问题：同样一串字节，在不同规则下会被解释成不同字符。
我们平时看到的 锟斤拷，很多时候就是“拿错了规则去解码”的结果。
Unicode 解决了什么？
既然问题出在“大家各用各的规则”，那最直接的办法就是：尽量统一规则。
于是就有了 Unicode。
你可以把 Unicode 理解成一个超大的“全球统一字符表”。它试图给世界上常见的文字、符号、表情等都分配一个统一编号。这样一来，不管你在中国、日本、美国还是别的地方，只要大家都认这套编号，至少“这个字符是什么”这件事就能先统一下来。
注意，这里统一的是“字符和编号的对应关系”，不是“这个编号在计算机里具体怎么存”。
这点非常重要。
也就是说，Unicode 更像是在回答：
“这个字符应该对应哪个码点？”
而不是回答：
“这个码点最终要用几个字节保存？”
下面这两张图，可以把它理解成 Unicode 字符集资料的一部分。
你会发现里面有一些字形看起来很像。这是因为 Unicode 里有“中日韩统一表意文字”这一类内容，而同一个字在不同地区可能会有细微写法差异。为了兼容不同语言环境，这些差异通常都会被认真处理，而不是简单粗暴地“只留一个”。
所以，Unicode 做的事，本质上是统一映射关系：哪个字符对应哪个码点。
那 UTF-8 又是什么？
讲到这里，就该轮到 UTF-8 出场了。
如果说 Unicode 负责规定“每个字符的编号”，那 UTF-8 负责的就是：
“怎样把这个编号编码成字节，真正存进文件，或者真正发到网络里。”
也就是说，UTF-8 是 Unicode 的一种编码实现。
除了 UTF-8，还有其他实现方式，比如 UTF-16、UTF-32。更早期的场景里，你也可能见过 UCS-2 这样的名字。
它们做的是同一类事情：把 Unicode 码点变成计算机真正能保存和传输的二进制数据。
为什么同一个字符可以有不同实现？
这其实不难理解。
同一个结果，往往可以有不同实现方式。
比如：
(4 + 6) * 5 = 50
你可以先算括号：
(4 + 6) * 5 = 10 * 5 = 50
也可以直接展开：
(4 + 6) * 5 = 4 * 5 + 6 * 5 = 20 + 30 = 50
最后结果一样，但过程不一样。
Unicode 的不同编码实现，也可以这么理解：目标都是把同一个字符正确表示出来，但具体怎么编码、占多少字节、是否兼容旧系统，这些实现细节可以不同。
UTF-8 是怎么编码的？
对于初学者来说，不一定要把所有二进制规则背下来，但你至少要知道 UTF-8 的核心特点：
- 它是一种可变长度编码。
- 不同字符会占用不同字节数。
- 它会根据字符对应的码点范围，决定使用 1、2、3 或 4 个字节。
你可以粗略把这个过程理解为：
- 先找到这个字符在
Unicode里的码点。 - 再根据码点范围，决定应该用几字节编码。
- 最后按
UTF-8的规则，把码点拆进对应的字节结构里。
所以，UTF-8 不是随便“塞进去”几个字节，而是有固定格式的。
const arr = ["A", "z", "5", "¢", "é", "ß", "你", "好", "中", "😀", "🚀", "𠮷"];
function toUTF8Bytes(str: string) {
const encoder = new TextEncoder();
return encoder.encode(str);
}
arr.forEach(char => {
const bytes = toUTF8Bytes(char);
const binary = Array.from(bytes)
.map(b => b.toString(2).padStart(8, "0"))
.join(" ");
console.log(`${char} -> ${binary}`);
});
其中最关键的，就是每种长度对应的前导位模式。你可以把它理解成一种“字节头信息”，解码器看到这些前导位，就知道这一段数据该按几字节来读。
| 字节数 | 二进制格式 | 说明 |
|---|---|---|
| 1 字节 | 0xxxxxxx | 兼容 ASCII 单字节 |
| 2 字节 | 110xxxxx 10xxxxxx | 双字节编码 |
| 3 字节 | 1110xxxx 10xxxxxx 10xxxxxx | 三字节编码 |
| 4 字节 | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx | 四字节编码 |
为什么 UTF-8 这么常见？
UTF-8 能流行起来，原因很实际。
第一，它兼容 ASCII。很多早期英文世界的软件和协议，本来就是围绕 ASCII 建起来的。UTF-8 对这部分兼容得很好，迁移成本相对低。
第二，它对常见文本场景很友好。英文内容占用空间小，而中文这类常见字符通常用 3 个字节，也能接受。
第三，它适合网络传输。今天你打开网页、写接口、存配置文件，看到的大多数“文件编码是 UTF-8”，本质上都是因为它在兼容性、空间占用和通用性之间取得了一个很不错的平衡。
最后总结
把这两个概念分开，很多问题就会一下子清楚：
Unicode解决的是“字符应该如何统一编号”。UTF-8解决的是“这个编号在计算机里如何编码存储”。
前者更像统一标准，后者更像具体实现。
所以以后再看到“文件是 UTF-8 编码”，你脑子里最好自动翻译成一句话：
“这份文件里的字符，遵循的是 Unicode 的字符体系；落地存储时，使用的是 UTF-8 这种编码方式。”
