对Uicode字符集和utf-8编码的理解

1、为什么需要Unicode字符集?

计算机只能识别由0和1表示的二进制，所以用户与计算机进行信息交换时，需要先将字符编码成二进制格式，计算机识别机处理后，再将二进制格式解码还原成字符将信息反馈给用户。
所以信息交换过程中必须约定一套机制：字符与二进制一一映射关系。
美国上世纪60年代建立了英文字符和二进制的编码规范，称之为ASCII编码。ASCII编码采用一个字节，最高位定为0；其余7位用来表示128个字符，包括英文字符、阿拉伯数字、西文字符以及32个控制字符。

由于计算机的发展和普及，世界上各个国家均有相应的字符（仅中文就有近10万个）需要表示（显示），128个字符远远不够!欧洲国家为了解决字符短缺的问题，将ASCII最高位也参与编码，使得可编码的字符个数增加了128个（扩展的ASCII码），但是依然不够使用，导致128～255区间内，各国有各国的编码规则，使得国与国之间信息交换极为不便。
为了
为了彻底解决字符短缺问题，且形成统一的编码规则，Unicode孕育而生。Unicode通过增加编码的字节个数，为世界上所有字符一一映射相应的编码，每个字符都是独一无二，形成了Unicode字符集（不与ASCII冲突）。

2、为什么需要utf-8?

Unicode是一种字符集，囊括了世界上所有字符，理论上讲编码的字节个数没有要求；假设每个字符采用4个字节（可表示2**32个字符）编码，那么仅含有英文字符的文件（ASCII编码就够用了）岂不是存储空间增加3倍?造成极大浪费。而且若采用多字节混合编码（可以是1,2,3等多个字节），这也将带来新的问题：如现有三个字节编码结果，其表示的是一个字符还是两个字符还是三个字符呢?
因此，针对以上两个问题，提出了UTF-8，UTF-8 是实现 Unicode 的方式之一，能够解决存储和解码过程中字符识别问题。

UTF-8 的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
2）对于n字节的符号（n > 1），第一个字节的前n位都设为1，第n + 1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

下表总结了编码规则，字母x表示可用编码的位

字节个数	编码范围	字符个数	编码格式
1	U+0000～U+007F	128	0xxxxxxx
2	U+0080～U+07FF	1920	110xxxxx 10xxxxxx
3	U+0800～U+FFFF	63488	1110xxxx 10xxxxxx 10xxxxxx
4	U+10000～U+1FFFFF	2031616	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5	U+200000～U+3FFFFFF	65011712	111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6	U+4000000～U+7FFFFFFF	2080374784	1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

举例说明UTF-8编码存储过程：

>>>x='中'.encode('utf-8')   #将中文字符进行utf-8方式编码
>>>for i in x:                #查看'中'编码后的结果
       print(bin(i),end=" ")
0b11100100 0b10111000 0b10101101      #这就是'中'编码后的二进制

由上可知，“中”的utf-8编码11100100 10111000 10101101需要3个字节，按照utf-8规则，去掉格式（红色部分），其值为100111000101101，对应的十六进制即为4e2d，所以’中’字符在Unicode中对应的二进制为U+4e2d。