程序员的自我修养-字符编码

看了阮一峰的Blog（很久之前的），突然就发现这么一个非常常见的问题，常常被我视而不见。而且我相信，有很大一部分同学应该和我一样，对此模棱两可。或许在很久之前在某次面试或考试之前准备过如此“冷门”的知识，现在早已抛之脑后。其实我们经常会遇到“�????????”和类似“烫烫烫烫”的玩意，对于这样经常造访的老朋友背后的技术细节我们有必要了解。

这里我偷懒引用两篇写的非常好的Blog作为内容，因为写的太清楚，太易懂。本着不重复发明轮子的原则，我就借花献佛。

阮一峰 和 字符编码常识及问题解析 阅读完后一定会对编码有了基本的了解，同时对目前最为主流的utf-8，有清晰的认识。这样以后再处理乱码问题，就比起之前更游刃有余。

其中对于utf-8 部分，两篇描述各有侧重，我做个摘要

UTF-8是Unicode的实现方式之一。
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的编码规则很简单，只有二条：
1）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。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为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，全部为这个符号的unicode码。
以汉字"严"为例，演示如何实现UTF-8编码。
已知"严"的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此"严"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。
摘自阮一峰-字符编码笔记：ASCII，Unicode和UTF-8

其中几个要点，

1. utf-8是可变长的，目前使用广泛，而且兼容ASCII
2. 注意填写汉字编码时是从低位往高位，保证高位多余位置0

参考blog：
阮一峰-字符编码笔记：ASCII，Unicode和UTF-8
字符编码常识及问题解析