转 Unicode是什么.
析Unicode和UTF-8
1. 各地的方言
首先说明一下现在常用的一些编码方案：
1. 在中国，大陆最常用的就是 GBK18030 编码，除此之外还有 GBK ， GB2312 ，这几个编码的关系是这样的。
n 最早制定的汉字编码是 GB2312 ，包括 6763 个汉字和 682 个其它符号
n 95 年重新修订了编码，命名 GBK1.0 ，共收录了 21886 个符号。
n 之后又推出了 GBK18030 编码，共收录了 27484 个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字，现在 WINDOWS 平台必需要支持 GBK18030 编码。
按照 GBK18030 、 GBK 、 GB2312 的顺序，３种编码是向下兼容，同一个汉字在三个编码方案中是相同的编码。
2. 台湾，香港等地使用的是 BIG5 编码
3. 日本： SJIS 编码
2. Unicode
如果把各种文字编码形容为各地的方言，那么 Unicode 就是世界各国合作开发的一种语言。
在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是 Unicode 的最大好处。
那么 Unicode 是如何编码的呢？其实非常简单。
就是将世界上所有的文字用２个字节统一进行编码。可能你会问，２个字节最多能够表示 65536 个编码，够用吗？
韩国和日本的大部分汉字都是从中国传播过去的，字型是完全一样的。
比如：“文”字， GBK 和 SJIS 中都是同一个汉字，只是编码不同而已。
那样，像这样统一编码，２个字节就已经足够容纳世界上所有的语言的大部分文字了。
UCS-2 与 UCS-4
Unicode 的学名是 "Universal Multiple-Octet Coded Character Set" ，简称为 UCS 。
现在用的是 UCS-2 ，即２个字节编码，而 UCS-4 是为了防止将来２个字节不够用才开发的。 UCS-2 也称为基本多文种平面。
UCS-2 转换到 UCS-4 只是简单的在前面加２个字节 0 。
UCS-4 则主要用于保存辅助平面，例如 Unicode 4.0 中的第二辅助平面
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
总共增加了 16 个辅助平面，由原先的 65536 个编码扩展至将近 100 万编码。
3. 兼容 codepage
那么既然统一了编码，如何兼容原先各国的文字编码呢？
这个时候就需要 codepage 了。
什么是 codepage ？ codepage 就是各国的文字编码和 Unicode 之间的映射表。
比如简体中文和 Unicode 的映射表就是 CP936 ，点 这里 查看官方的映射表。
以下是几个常用的 codepage ，相应的修改上面的地址的数字即可。
codepage=936 简体中文 GBK
codepage=950 繁体中文 BIG5
codepage=437 美国 / 加拿大英语
codepage=932 日文
codepage=949 韩文
codepage=866 俄文
codepage=65001 unicode UFT-8
最后一个 65001 ，据个人理解，应该只是一个虚拟的映射表，实际只是一个算法而已。
从 936 中随意取一行，例如：
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
前面的编码是 GBK 的编码，后面的是 Unicode 。
通过查这张表，就能简单的实现 GBK 和 Unicode 之间的转换。
4. UTF-8
现在明白了 Unicode ，那么 UTF-8 又是什么呢？又为什么会出现 UTF-8 呢？
ASCII 转换成 UCS-2 ，只是在编码前插入一个 0x0 。用这些编码，会包括一些控制符，比如 '' 或 '/' ，这在 UNIX 和一些 C 函数中，将会产生严重错误。因此可以肯定， UCS-2 不适合作为 Unicode 的外部编码。
因此，才诞生了 UTF-8 。那么 UTF-8 是如何编码的？又是如何解决 UCS-2 的问题呢？
例：
E4 BD A0 11100100 10111101 10100000
这是“你”字的 UTF-8 编码
4F 60 01001111 01100000
这是“你”的 Unicode 编码
按照 UTF-8 的编码规则，分解如下： xxxx0100 xx111101 xx100000
把除了 x 之外的数字拼接在一起，就变成“你”的 Unicode 编码了。
注意 UTF-8 的最前面３个 1 ，表示整个 UTF-8 串是由３个字节构成的。
经过 UTF-8 编码之后，再也不会出现敏感字符了，因为最高位始终为 1 。
以下是 Unicode 和 UTF-8 之间的转换关系表：
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
Unicode 编码转换到 UTF-8, 简单的把 Unicode 字节流套到 x 中就变成 UTF-8 了。