Unicode字符以及UTF-8

• 前提基础知识
  计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

1.概念

1.1 Unicode

• 定义：
  Unicode是一个字符集标准，它定义了每个字符的唯一编号，包括了世界上几乎所有的字符。
• 示例：

拉丁字母：A（Unicode编码：U+0041）
汉字：中（Unicode编码：U+4E2D）
表情符号：（Unicode编码：U+1F60A）
每个Unicode字符都有一个独一无二的编号，称为“码点”。这个编号通常用“U+”后跟一串十六进制数表示。例如，拉丁字母“A”的Unicode码点是U+0041。通过这种方式，Unicode能够支持超过100,000个不同的字符。

• 结论：
  拿“汉字：中（Unicode编码：U+4E2D）”举例。

汉字“中”是一个Unicode字符。
而U+4E2D是汉字“中”的Unicode编码（码点）。

1.2 UTF-8

Unicode 是字符集，它定义了一套字符和对应的码点。
UTF-8 是字符编码，是一种针对Unicode的编码方案。它定义了如何将这些字符（码点）转换为字节序列（电脑存储和处理数据的基本单位）。
它使用一到四个字节来表示每个Unicode码点，使得它非常有效率，尤其是对于常用的拉丁字符（如英文），这些字符只需要一个字节就可以表示。

2.二者之间的关系

• UTF-8和GBK都是Unicode的实现方式，而Unicode是一个字符集标准，它定义了每个字符的唯一编号，包括了世界上几乎所有的字符。

• UTF-8和GBK的区别在于编码方式不同。UTF-8采用变长编码，可以表示Unicode字符集中的任意字符，而且对于英文字符采用1个字节编码，对于汉字采用3个字节编码。GBK采用双字节编码，只能表示汉字和部分符号，对于英文字符采用1个字节编码。

• UTF-8和GBK的兼容性不同。UTF-8兼容ASCII编码，因为ASCII编码是UTF-8的子集，而GBK不兼容ASCII编码，因为GBK编码中没有ASCII编码中的字符。

• Unicode是一种字符集标准，不是编码方式。Unicode定义了每个字符的唯一编号，但是没有规定如何将这些编号转换为计算机可以识别的二进制数据。因此，UTF-8、GBK等编码方式都是Unicode的实现方式。

总的来说，UTF-8是一种通用的编码方式，可以表示Unicode字符集中的任意字符，而且兼容ASCII编码。GBK是一种中文编码方式，只能表示汉字和部分符号，不兼容ASCII编码。Unicode是一个字符集标准，定义了每个字符的唯一编号，但是没有规定如何将这些编号转换为计算机可以识别的二进制数据。