Unicode、UTF-8和UTF-16

  先说一下字符集，顾名思义，就是各种文字和符号的集合。常见的字符集包括Unicode、ASCII，GBK等。小可爱们，开门即遇坑，在这里一定要注意，UTF-8和UTF-16不是字符集哦！那它俩是啥，又和Unicode有什么区别呢？请继续看下去。
  众所周知，Unicode被称为万国码，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。所以说每一个字符在Unicode中都有唯一的编码。这些编码值就被称为码点。同时，Unicode标准中还指出码点由十六进制书写。在ASCII中，一个ASCII码占用8个二进制位，即一个字节。那么一个Unicode码点占几个字节呢？嘿嘿嘿，其实这样问本身是有问题的。Unicode只规定了字符的二进制表示方式，并没有指出这些二进制数据如何在计算机中存储。为什么呢，我们都知道ASCII字符集中’A’是0100 0001、’a’是0110 0001，即一个ASCII占据1个字节。但在Unicode中则不同了，举个例子。’严’这个字符在Unicode中的码点是4E25，转换成二进制数是100 1110 0010 0101，’A’的码点为0041，转化为二进制数是0100 0001。它俩的长度竟然相差这么大！也就是说如果按2字节存储，A的二进制数会有9位无效的0，但要是按照长度选取最小的字节长度来存储，计算机又怎么知道什么时候该读1字节，什么时候该读2字节呢？这时候UTF-8、UTF-16就该上场了。它们被称作编码规则，能实现Unicode字符集可变长度的编码，也就是说计算机中实际存储的是编码后的Unicode值。由于常用的是UTF-8，所以先解释UTF-8与Unicode之间的编码。

• 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。
• 对于多字节的符号。最高位所在字节的前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。剩下的用Unicode 码右端对齐填充。

Unicode码点（十六进制）	UTF-8编码（二进制）
000000-00007F	0xxxxxxx
000080-0007FF	110xxxxx 10xxxxxx
000800-00FFFF	1110xxxx 10xxxxxx 10xxxxxx
010000-10FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

  例：“汉”字的Unicode编码是0x6C49。0x6C49在0x0800-0xFFFF之间，使用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将0x6C49写成二进制是： 0110 1100 0100 1001，右端对齐填充模板，得到：11100110 10110001 10001001，即E6 B1 89。
  既然UTF-8是最常使用的编码方式，那么为什么我们还要讨论UTF-16呢？因为Java采用的是UTF-16编码。哈哈哈，是不是很interesting。这时候我们再从UTF-8来看看Unicode的表示范围，即：[000000, 10FFFF]，共可表示17 * 65535个字符。17指17的编码平面。UTF-16的编码规则如下（U代指Uniocde码点）：

• 如果U < 0x10000，U的UTF-16编码就是U对应的16位无符号整数（为书写简便，下文将16位无符号整数记作WORD）。
• 如果U > 0xFFFF，我们先计算U'=U-0x10000，然后将U'写成二进制形式：yyyy yyyy yyxx xxxx xxxx，U的UTF-16编码（二进制）就是：110110yyyyyyyyyy 110111xxxxxxxxxx。

  看到这，UTF-16编码Unicode的方式就讲完了，但为什么这样做就能编码Uniocde字符集呢？我们接着看下去。
  首先，U的最大值为0x10FFFF，减去0x10000后，U'的最大值是0xFFFFF，所以肯定可以用20个二进制位表示。例如：Unicode编码0x20C30，减去0x10000后，得到0x10C30，写成二进制是：0001 0000 1100 0011 0000。右端对齐替代模板，就得到：1101100001000011 1101110000110000，即0xD843 0xDC30。
  按照上述规则， 0x10000-0x10FFFF的UTF-16编码有两个WORD，第一个WORD的高6位是110110，第二个WORD的高6位是110111。可见，第一个WORD的取值范围是[11011000 00000000, 11011011 11111111]，即[0xD800, 0xDBFF]。第二个WORD的取值范围是[11011100 00000000, 11011111 11111111]，即 [0xDC00, 0xDFFF]。恰好Unicode标准规定：基本多语言平面（[U+0000, U+FFFF]）内，[U+D800, U+DFFF]里共2048个值不对应于任何字符，为代理区。也就是UTF-16正好利用了代理区来区分什么时候读4个字节，什么时候读2个字节。所以Java核心技术卷中强烈不建议使用char类型。因为一个char只代表一个WORD。
  综上，在一波又一波骚操作之后字符集、Unicode、UTF-8，UTF-16就不那么神秘了。