Unicode 和 UTF-8、GBK、GB2312的那些事儿

Unicode 和 UTF-8

Unicode 是一种字符集合，现在可容纳 100 多万个字符。是统一编码，它建立了一个全世界统一的码表。每个字符（世界上的所有文字）对应一个不同的 Unicode 编码（在这张码表中都是唯一的），但是它只规定了符号的二进制代码，却没有规定这个二进制代码在计算机中如何编码传输。

UTF-8 是一种对 Unicode 的编码方式，它是一种不定长的编码方式，可以用 1~4 个字节（8-32位）来表示一个字符。

为何不直接使用 UTF-8 编码进行存储而要使用 Unicode 再转换成 UTF-8 ？

Unicode的字符码，很少在计算机中直接用在存储和表达文本上。原因无他：太浪费空间了。

Unicode字符码是32位，4个字节。平常使用的字符里，99%以上的字符都不会突破2个字节。为了节省空间，人们就对Unicode的字符码再做二次编码，这就诞生了UTF-8，UTF-16，UTF-32等编码标准。

除了UTF-32，UTF-8和UTF-16都是不定长的编码，他们的意思是按照编码规则，将一个Unicode字符的字符码，编码成N个8位或者N个16位。至于N是几，要看具体的字符来定。UTF-32例外的原因是，他已经足够直接保存Unicode的字符码了……

UTF-8、GBK、GB2312傻傻分不清楚？

UTF-8编码是用以解决国际上字符的一种多字节编码，它对英文使用8位（即一个字节），中文使用24位（即三个字节）来编码。对于英文字符较多的论坛则用UTF-8节省空间。

GBK包含全部中文字符，UTF-8则包含全世界所有国家需要用到的字符。

GBK是在国家标准GB2312基础上扩容后兼容GB2312的标准。