Unicode编码及其编码方式

什么是 Unicode

Unicode (或者叫 Unicode 编码)是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

目前的Unicode字符分为17组编排，0x0000 至 0x10FFFF，每组称为平面（Plane），而每平面拥有 65536 个码位，共 1114112 个。然而目前只用了少数平面。

在 Unicode 官网可以看到一张张巨大的编码表。

编码方式

Unicode 只是一张巨大的编码表，这个数字(编码)怎么在计算机中存储呢？用多少位？这就是编码方式了，比如 UTF-16、UTF-8。

下图是 Unicode 与它其中的一种编码方式

UTF-16

Unicode 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节，也就是 16 位来统一表示所有的字符。

Java 的 char 类型就是 UTF-16 编码，还记得 char 类型占 2 个字节吗？

UTF-8

UTF-8 是一种变长的编码方式，它把一个 Unicode 字符根据不同的数字大小编码成 1-6 个字节，常用的英文字母被编码成 1 个字节，汉字通常是 3 个字节，只有很生僻的字符才会被编码成 4-6 个字节。

UTF-8 编码规则如下：

• 单字节的字符，字节的第一位设为 0，对于英语文本，UTF-8 码只占用一个字节，和 ASCII 码完全相同；

• n 个字节的字符(n>1)，第一个字节的前 n 位设为 1，第 n+1 位设为 0，后面字节的前两位都设为 10，这 n 个字节的其余空位填充该字符 unicode 码，高位用 0 补足。

举粟

一个字节：0xxxxxxx
两个字节：110xxxxx 10xxxxxx
三个字节：1110xxxx 10xxxxxx 10xxxxxx
四个字节：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx