Unicode

一.   字节和字符:

1)        字节（octet）：顾其英文名而思义，就是一个八位的存储单元，取值范围一定是0～255；

2)        字符（character）：就是一个语言上的符号，"中"字就是一个字符。字符所占的大小由其编码方式解决，比如"中"在UTF-8中占3个字节（0xE4A8AD），而在GBK中，则占两个字节(0xD6D0)。

二.字符集和编码:

1)        字符集：字符的集合，像Unicode字符集，目标就是收纳了这个世界上所有语言的文字、

2)        符号等； 字符编码：注意，字符集只是规定了有哪些字符，而最终决定采用哪些字符，每一个字符用多个字节表示等问题，则是由编码来决定的。像Unicode字符集的编码方式有很多，诸如UTF-8、UFT-16、UTF-32等。

三.编码方式:

1)中文编码方式:

GB2312：采用2个字节。简体字的编码规范，也包括其他的符号、字母、日文假名等，共7445个图形字符，其中汉字占6763个

GBK：采用了2个字节。GB2312明显收录的汉字不够，于是增加了大量不常用汉字，还加入了几乎所有的Big5中的繁体汉字之后便成了GBK。

GB18030：与前两者不同，采用了变长的编码方式，有1、2、4个字节的编码长度。1个字节编码与ASCII兼容，2个字节编码与GBK兼容，4个字节主要是收录了少数民族的文字等。GB18030诞生的原因类似于GBK，就是增加了大量的汉字，多收录了藏文、蒙文、维吾尔文等主要的少数民族文字。GB18030现在是国家非手持/非嵌入式设备的强制性标准。但是GB18030与前者不同的是，所有的Unicode编码都可以转换为GB18030,而且GB18030除了兼容GBK以及Unicode的BMP部分外，其余的Unicode扩展平面和它的4字节扩展平面都是简单直接的映射

2) UTF-16(采用两个字节存储):

UTF-16BE	00 41 00 42 00 43
UTF-16LE	41 00 42 00 43 00
UTF-16(Big Endian)	FE FF 00 41 00 42 00 43
UTF-16(Little Endian)	FF FE 41 00 42 00 43 00
UTF-16(不带BOM)	00 41 00 42 00 43

3)UTF-32(采用四个字节存储):

UTF-32BE	00 00 00 41 00 00 00 42 00 00 00 43
UTF-32LE	41 00 00 00 42 00 00 00 43 00 00 00
UTF-32(Big Endian)	00 00 FE FF 00 00 00 41 00 00 00 42 00 00 00 43
UTF-32(Little Endian)	FF FE 00 00 41 00 00 00 42 00 00 00 43 00 00 00
UTF-32(不带BOM)	00 00 00 41 00 00 00 42 00 00 00 43

4)UTF-8(采用可变字节存储):

UCS-2(UCS-4)	第一字节	第二字节	第三字节	第四字节	第五字节	第六字节
U+0000 U+007F	0xxxxxxx
U+0080 .. U+07FF	110xxxxx	10xxxxxx
U+0800 .. U+FFFF	1110xxxx	10xxxxxx	10xxxxxx
U+10000..U+10FFFF	11110xxx	10xxxxxx	10xxxxxx	10xxxxxx
00200000-03FFFFFF	111110xx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx
04000000-7FFFFFFF	1111110x	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx

因其采用(UCS-4)规范,即四个字节存储,理论上UTF-8可以达到6个字节编码,克服了UTF-16和UTF-32带来的空间浪费.而汉字的unicode范围(4e00-9fa5 即值为19968- 40869),需两个字节存储,所以根据上表得知需占三个字节.如汉字“中”的Unicode码为4E2D --01001110 00101101--UTF-8存储为：

11100100 10111000 10101101