Unicode和UTF-8/16/32关系详解

作为刚接触编程的小萌新，涉及编码的时候总是遇到Unicode和UTF-8这两个词，甚是疑惑。于是百度了一下，在此做个整理，也顺便分享自己的一个理解。
第一：字符要编码。给世界上的每一个字符一对一匹配一个二进制码，以用作字符在计算机上的处理。
第二：世界上有两个组织来实现了这个方案。
1）ISO组织提出了UCS（通用字符集），软件制造商们提出的Unicode（统一码）
2）UCS分为UCS-2和UCS-4，分别代表使用两个字节和四个字节来编码一个字符。
第一个字节是（组），第二个字节是（平面），第三个字节是（行），第四个字节是（列）
当最高的两个字节均为0的时候，UCS-4变为UCS-2。
3）Unicode使用3个字节来编码一个字符。第一个字节相当于UCS-4的（平面），第二个字节相当于UCS-4的（行），第三个字节相当于UCS-4的（列）。目前Unicode计划使用17个平面来编码字符，十六进制表示的范围是000000-10FFFF，共可表示1114112个字符。目前使用了平面是0、1、2、14、15、16共6个平面，已定义码位238605个
4）那么字符的Unicode编码是如何保存到计算机当中的呢？最常见是采用UTF-8编码方案。目前Unicode编码最长是21位，最短是7位。UTF-8编码方案针对不同位数长度的Unicode编码采用不同的字节来表示。为了让计算机在进行二进制的识别的时 候能区分出边界，所以UTF-8编码实现方案采用了
0XXXXXXX（7位）
10XXXXXX（6位）
110XXXXX（5位）
1110XXXX（4位）
11110XXX（3位）
这几个字节模板作为计算机的识别边界。7位模板用作和ASCII码进行一对一匹配， 6位模板可表位数第二多，因此作为常用模板来存储编码位数。为了节省编码占用的储存空间，6位常用模板需要逐一增加。为了区分使用1/2/3 个6位常用模板，另外使用5位/4位/3位模板作为边界进行区分，方便计算机进行识别。因此有一下常用模板来存储Unicode编码：
000000-00007F 0XXXXXXX（可表7位）
000080-0007FF 110XXXXX 10XXXXXX（可表11位）
0008FF-00FFFF 1110XXXX 10XXXXXX 10XXXXXX（可表16位）
010000-10FFFF 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX（可表21位）

5）Unicode的第二个编码实现方案是UTF-16。使用16位长度的无符号整数保存Unicode 编码。因此长度在16位以下的Unicode编码可以直接被保存。
长度超过16位的Unicode字符则计算出其超过16位的增量部分，然后储存在可表位数20位的4字节模板里面。
因此：
000000-00FFFF XXXX XXXX XXXX XXXX（可表16位）
010000-10FFFF 110110XX XXXX XXXX 110111XX XXXX XXXX（可表20位）
（D800 - DBFF） （DC00-DFFF）

UTF-16方案的实现需要一个前提条件，那就是Unicode编码在BMP（0平面）需要划 出一个保留区D800-DFFF，不分配码位，使得UTF-16在编码16位以下的Unicode编 码的时候不会和使用4字节模板的UTF-16编码产生冲突。

6）UTF-32的编码实现方案没什么好说，因为可表位数有32位，所以直接与Unicode编码 一一对应。