通过Byte、ASCII、GB2312、Unicode、UTF-8的关系讲清楚字符编码

首先，标题中的Byte不同于另外4个词。Byte表示字节，是一种计量单位，8个比特为1个字节。可以表示的最大数字是11111111，十进制是255。有了Byte，如何将他变成人能看懂的文字呢？
于是就有了ASCII、GB2312、Unicode、UTF-8，它们分别表示一套编码规则，相互独立，但之间又有一些关系，剪不断理还乱。但作者相信，经过本文通俗易懂的翻译之后，您一定发出一个感慨：“就这！”
先简单介绍基本概念，如果没时间可以跳过，直接看最后的关系总结。
编辑器、浏览器等，显示Byte流时，需要遵照一个编码规则，如果使用的编码规则与实际编码不符，显示的东西就完全看不懂，俗称乱码。

• ASCII： 一套编码规则，为了让计算机能够识别字符而设计的，由美国制定、固定用1个字节来存放，规则比较简单，范围是0-127，每1个整数对应1个字符。

例1：十进制整数 65 对应字符 A。

• GB2312： 也是一套编码规则，由中国制定，固定用2个字节来存放。收录规则是“区位码”，第1个字节对应“区”，第2个字节对应“位”，区和位的范围都是1-94，计算时需要把区号和位号分别加上0xA0，按十进制算就是加160。

例2：字符A对应第3区的33位，那么分别加160后，就是163区的193位，转为16进制是A3和C1，即A3C1。
例3：字符“黄”对应第27区的38位，分别加160就是187区的198位，同理转为16进制，即为BBC6。

• Unicode： 同ASCII一样，只是它把所有语言都收录到一套编码里了，所以也叫万国码，通常使用2个字节来存放。它的编码规则和ASCII一样，就是顺着排，前128个字符就是ASCII码，之后是扩展码，不足2个字节的部分，用0补齐。

例4：字符A对应的数字还是 65，二进制是 00000000 01000001。（与ASCII不同的是不足2字节的部分补0）
例5：字符“黄”对应的数字是40644，二进制是 1001111011000100，十六进制是9EC4。

• UTF-8： 一套新的编码规则，特点可变长，使用1 - 4个字节表示一个字符。编码规则是根据Unicode对应的数字匹配到一个范围，字符对应关系还是顺着排。匹配范围如下（用十进制表示）：
  0-127用1个字节：0xxxxxxx
  128-2047用2个字节：110xxxxx 10xxxxxx
  2048-65535用3个字节：1110xxxx 10xxxxxx 10xxxxxx
  65536-1114111用4个字节：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
  编码时从左到右，根据范围来编码。解码时从右到左，0开头就是第1区间，110开头就是第2区间，1110开头就是第3区间，11110开头就是第4区间。
  这里可以看出来，1区间（0-127）兼容了ASCII，这也是它使用最广泛的原因。

例6：字符A对应的数字是 65，65属于0-127区间，使用1个字节存放，二进制为01000001，和ASCII完全一样，所以它兼容ASCII。
例7：字符“黄“对应的unicode的数字是40644，属于2048-65535区间，所以需要3字节来存。对应的utf8的数字是15317892，十六进制是E9BB84。

从例6和例7可以看出，unicode的数字所在区间仅决定utf8编码占用的字节数，具体编码还是utf8自己编的。由此可知两者的关系：unicode被当作了utf8的区间索引。

例8：解码一个6字节的utf8的数据 \xe4\xb8\xad\xe6\x96\x87。开头是e4，转为2进制就是11100100，匹配1110开头，那就是3个字节。所以就连取3个字节\xe4\xb8\xad作为一个字符，就是e4b8ad，十进制是14989485，可以查到这是一个字符“中”。
接下来看下一个字节\xe6，e6的二进制是11100110，也是1110开头，匹配3个字节。所以取3字节就是e69687，十进制是15111815，对应匹配的字符是“文”。
最后可以得到这个6字节的utf8数据的解码后是“中文”2个字符。

最后总结一下它们的关系：
【ASCII】与【GB2312】：GB2312包含ASCII，编码毫无关系。
【ASCII】与【Unicode】：Unicode包含ASCII，重合部分，ASCII不足2字节的部分补0就是Unicode。
【ASCII】与【UTF-8】：UTF8包含ASCII，重合部分编码完全相同。
【GB2312】与【Unicode】：Unicode包含GB2312，编码毫无关系。
【GB2312】与【UTF-8】：UTF-8包含GB2312，编码毫无关系。
【Unicode】与【UTF-8】：Unicode是utf8的区间索引。编码部分，除了它们与ASCII重合的那部分，其它毫无关系。