详解字符编码与 Unicode
人类交流使用 A、B、C、中 等字符，但计算机只认识 0 和 1。因此，就需要将人类的字符，转换成计算机认识的二进制编码。这个过程就是字符编码。
ASCII
最简单、常用的字符编码就是 ASCII（American Standard Code for Information Interchange，美国信息交换标准代码），它将美国人最常用的 26 个英文字符的大小写和常用的标点符号，编码成 0 到 127 的数字。例如 A 映射成 65 (0x41)，这样计算机中就可以用 0100 0001 这组二进制数据，来表示字母 A 了。
ASCII 编码的字符可以分成两类：
- 控制字符：
0 -31和127 (0x00 -0x1F 和0x7F) - 可显示字符：
32 -126 (0x20 -0x7E)
具体字符表可以参考：ASCII - 维基百科，自由的百科全书。
Unicode
ASCII 只编码了美国常用的 128 个字符。显然不足以满足世界上这么多国家、这么多语言的字符使用。于是各个国家和地区，就都开始对自己需要的字符设计其他编码方案。例如，中国有自己的 GB2312，不够用了之后又扩展了 GBK，还是不够用，又有了 GB18030。欧洲有一系列的 ISO-8859 编码。这样各国人民就都可以在计算机上处理自己的语言文字了。
但每种编码方案，都只考虑了自己用到的字符，没办法跨服交流。如果一篇文档里，同时使用了多种语言的字符，总不能分别指定哪个字符使用了那种编码方式。
如果能统一给世界上的所有字符分配编码，就可以解决跨服交流的问题了，Unicode 就是来干这个事情的。
Unicode 统一编码了世界上大部分的字符，例如将 A 编码成 0x00A1，将 中 编码成 0x4E2D，将 α 编码成 0x03B1。这样，中国人、美国人、欧洲人，就可以使用同一种编码方式交流了。
一个 Unicode 字符可以使用 U+ 和 4 到 6 个十六进制数字来表示。例如 U+0041 表示字符 A、U+4E2D 表示字符 中，U+03B1 表示字符 α。
Unicode 最初编码的范围是 0x0000 到 0xFFFF，也就是两个字节，最多 65536 (2^16) 个字符。但随着编码的字符越来越多，两个字节的编码空间已经不够用，因此又引入了 16 个辅助平面，每个辅助平面同样最多包含 65536 个字符。原来的编码范围称为基本平面，也叫第 0 平面。
各平面的字符范围和名称如下表：
| 平面 | 字符范围 | 名称 |
|---|---|---|
| 0 号平面 | U+0000 - |
基本多文种平面 (Basic Multilingual Plane, BMP) |
| 1 号平面 | U+10000 - |
多文种补充平面 (Supplementary Multilingual Plane, SMP) |
| 2 号平面 | U+20000 - |
表意文字补充平面 (Supplementary Ideographic Plane, SIP) |
| 3 号平面 | U+30000 - |
表意文字第三平面 (Tertiary Ideographic Plane, TIP) |
| 14 号平面 | U+E0000 - |
特别用途补充平面 |
| 15 号平面 | U+F0000 - |
保留作为私人使用区（A 区）(Private Use Area-A, PUA-A) |
| 16 号平面 | U+100000 - |
保留作为私人使用区（B 区）(Private Use Area-B, PUA-B) |
每个平面内还会进一步划分成不同的区段。每个平面和区段具体说明参考 Unicode字符平面映射 - 维基百科，自由的百科全书；汉字相关的区段说明参考 中日韩统一表意文字 - 维基百科，自由的百科全书。Unicode 所有字符按平面和区段查找，可以参考 Roadmaps to Unicode；按区域和语言查找可以参考 Unicode Character Code Charts。
字符编码的基本概念
“字符编码”是一个模糊、笼统的概念，为了进一步说明字符编码的过程，需要将其拆解为一些更加明确的概念：
字符 (Character)
人类使用的字符。例如：
A；中 等。
编码字符集 (Coded Character Set, CCS)
把一些字符的集合 (Character Set) 中的每个字符 (Character)，映射成一个编号或坐标。例如：
- 在 ASCII 中，把
A 编号为65 (0x41)； - 在 Unicode 中，把
中 编号为0x4E2D； - 在 GB2312 中，把
中 映射到第 54 区第 0 位。
这个映射的编号或坐标，叫做 Code Point。
Unicode 就是一个 CCS。
字符编码表 (Character Encoding Form, CEF)
把 Code Point 转换成特定长度的整型值的序列。这个特定长度的整型值叫做 Code Unit。例如：
- 在 ASCII 中，
0x41 这个 Code Point 会被转换成0x41 这个 Code Unit； - 在 UTF-8 中，
0x4E2D 这个 Code Point 会被转换成0xE4 B8 AD 这三个 Code Unit 的序列。
我们常用的 UTF-8、UTF-16 等，就是 CEF。
字符编码方案 (Character Encoding Scheme, CES)
把 Code Unit 序列转换成字节序列（也就是最终编码后的二进制数据，供计算机使用）。例如 ：
0x0041 这个 Code Unit，使用大端序会转换成0x00 41 两个字节；- 使用小端序会转换成
0x41 00 两个字节。
UTF-16 BE、UTF-32 LE 等，就是 CES。
这些概念间的关系如下：
@startuml hide empty description state Character state CodePoint state CodeUnits state Bytes Character : A CodePoint : 0x41 CodeUnits : 0x0041 Bytes : 0x41 0x00 Character -right-> CodePoint : CCS (Unicode) CodePoint -right-> CodeUnits : CEF (UTF-16) CodeUnits -right-> Bytes : CES (UTF-16 LE) @enduml
因此，我们说 ASCII 是“字符编码”时，“字符编码”指的是上面从 Character 到字节数组的整个过程。因为 ASCII 足够简单，中间的 Code Point 到 Code Unit，再到字节数组，都是一样的，没必要拆开说。
而我们说 Unicode 是“字符编码”时，“字符编码”其实指的仅是上面的 CCS 部分。
同理，ASCII、Unicode、UTF-8、UTF-16、UTF-16 LE，都可以笼统的叫做“字符编码”，但每个“字符编码”表示的含义都是不同的。可能是 CCS、CEF、CES，也可能是整个过程。
Unicode 转换格式
Unicode 只是把字符映射成了 Code Point (字符编码表，CCS)。将 Code Point 转换成 Code Unit 序列（字符编码表，CEF），再最终将 Code Unit 序列转换成字节序列（字符编码方案，CES），有多种不同的实现方式。这些实现方式叫做 Unicode 转换格式 (Unicode Transformation Format, UTF)。主要包括：
- UTF-32
- UTF-16
- UTF-8
UTF-32
UTF-32 将每个 Unicode Code Point 转换成 1 个 32 位长的 Code Unit。
UTF-32 是固定长度的编码方案，每个 Code Unit 的值就是其 Code Point 的值。例如 0x00 00 00 41 这个 Code Unit，就表示了 0x0041 这个 Code Point。
UTF-32 的一个 Code Unit，需要转换成 4 个字节的序列。因此，有大端序 (UTF-32 BE) 和小端序 (UTF-32 LE) 两种转换方式。
例如 0x00 00 00 41 这个 Code Unit，使用 UTF-32 BE 最终会编码为 0x00 00 00 41；使用 UTF-32 LE 最终会编码为 0x41 00 00 00。
UTF-16
UTF-16 将每个 Unicode Code Point 转换成 1 到 2 个 16 位长的 Code Unit。
对于基本平面的 Code Point（0x0000 到 0xFFFF），每个 Code Point 转换成 1 个 Code Unit，Code Unit 的值就是其对应 Code Point 的值。例如 0x0041 这个 Code Unit，就表示了 0x0041 这个 Code Point。
对于辅助平面的 Code Point（0x010000 到 0x10FFFF），每个 Code Point 转换成 2 个 Code Unit 的序列。如果还是直接使用 Code Point 数值转换成 Code Unit，就有可能和基本平面的编码重叠。例如 U+010041 如果转换成 0x0001、0x0041 这两个 Code Unit，解码的时候没办法知道这是 U+010041 一个字符，还是 U+0001 和 U+0041 两个字符。
为了让辅助平面编码的两个 Code Unit，都不与基本平面编码的 Code Unit 重叠，就需要利用基本平面中一个特殊的区段了。基本平面中规定了从 0xD800 到 0xDFFF 之间的区段，是永久保留不映射任何字符的。UTF-16 将辅助平面的 Code Point，编码成一对在这个范围内的 Code Unit，叫做代理对。这样解码的时候，如果解析到某个 Code Unit 在 0xD800 到 0xDFFF 范围内，就知道他不是基本平面的 Code Unit，而是要两个 Code Unit 组合在一起去表示 Code Point。
具体转换方式是：
- 将辅助平面的 Code Point 的值 (
0x010000 -0x10FFFF)，减去0x010000，得到0x00000 到0xFFFFF 范围内的一个数值，也就是最多 20 个比特位的数值 - 将前 10 位的值（范围在
0x0000 到0x03FF），加上0xD800，得到范围在0xD800 到0xDBFF 的一个值，作为第一个 Code Unit，称作高位代理或前导代理 - 将后 10 位的值（范围在
0x0000 到0x03FF），加上0xDC00，得到范围在0xDC00 到0xDFFF 的一个只，作为第二个 Code Unit，称作低位代理或后尾代理
基本平面中的 0xD800 - 0xDBFF 和 0xDC00 - 0xDFFF 这两个区段，也分别叫做 UTF-16 高半区 (High-half zone of UTF-16) 和 UTF-16 低半区 (Low-half zone of UTF-16)。
UTF-16 的一个 Code Unit，需要转换成 2 个字节的序列。因此，有大端序 (UTF-16 BE) 和小端序 (UTF-16 LE) 两种转换方式。
例如 0x0041 这个 Code Unit，使用 UTF-16 BE 最终会编码为 0x0041；使用 UTF-16 LE 最终会编码为 0x4100。
UTF-8
UTF-8 将每个 Unicode Code Point 转换成 1 到 4 个 8 位长的 Code Unit。
UTF-8 是不定长的编码方案，使用前缀来标识 Code Unit 序列的长度。解码时，根据前缀，就知道该将哪几个 Code Unit 组合在一起解析成一个 Code Point 了。
具体编码方式是：
| Code Point 范围 | Code Unit 个数 | 每个 Code Unit 前缀 | 示例 Code Point | 示例 Code Unit 序列 |
|---|---|---|---|---|
7 位以内 (0 - |
1 | 0b0 |
0b0zzz zzzz |
0b0zzz zzzz |
8 到 11 位 (0x80 - |
2 | 第一个 0b110，剩下的 |
0b0yyy yyzz zzzz |
0b110y yyyy 10zz zzzz |
12 到 16 位 (0x0800 - |
3 | 第一个 0b1110，剩下的 |
0bxxxx yyyy yyzz zzzz |
0b1110 xxxx 10yy yyyy 10zz zzzz |
17 到 21 位 (0x10000 - |
4 | 第一个 0b11110，剩下的 |
0b000w wwxx xxxx yyyy yyzz zzzz |
0b1111 0www 10xx xxxx 10yy yyyy 10zz zzzz |
解码时，拿到每个 Code Unit 的前缀，就知道这是对应第几个 Code Unit：
- 前缀是
0b0，说明这个 Code Point 是一个 Code Unit 组成 - 前缀是
0b110，说明这个 Code Point 是两个 Code Unit 组成，后面还会有 1 个0b10 前缀的 Code Unit - 前缀是
0b1110，说明这个 Code Point 是三个 Code Unit 组成，后面还会有 2 个0b10 前缀的 Code Unit - 前缀是
0b11110，说明这个 Code Point 是四个 Code Unit 组成，后面还会有 3 个0b10 前缀的 Code Unit
UTF-8 的一个 Code Unit，刚好转换成 1 个字节，因此不需要考虑字节序。
参考上表，对于 ASCII 范围内的字符，使用 ASCII 和 UTF-8 编码的结果是一样的。所以 UTF-8 是 ASCII 的超集，使用 ASCII 编码的字节流也可以使用 UTF-8 解码。
UTF-8 与 UTF-16 对比
| Code Point 范围 | UTF-8 编码长度 | UTF-16 编码长度 |
|---|---|---|
7 位以内 (0x00 - |
1 | 2 |
8 到 11 位 (0x0080 - |
2 | 2 |
12 到 16 位 (0x0800 - |
3 | 2 |
17 到 21 位 (0x10000 - |
4 | 4 |
可以看出只有在 0x00 到 0xEF 范围的字符，UTF-8 编码比 UTF-16 短；而在 0x0800 - 0xFFFF 范围内，UTF-8 编码是比 UTF-16 长的。
而中文主要在 0x4E00 到 0x9FFF，如果写一篇文档，全都是中文，一个英文字母和符号都没有。那使用 UTF-8 编码，可能比 UTF-16 编码还要多占用一半的空间。
相关文章：
- Unicode 标准化
- Unicode 与编程语言
- 字节顺序标记
- 字节序
- Unicode 与 UCS
