Unicode

 Unicode只是一个符号集，它只规定了符号的二进制代码

UTF-8是Unicode的一种实现方式（其它还有UTF-16,UTF-32等）。其最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

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。

Unicode符号范围 (十六进制)	UTF-8编码方式 （二进制）
0000 0000-0000 007F	0xxxxxxx
0000 0080-0000 07FF	110xxxxx 10xxxxxx
0000 0800-0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下面，还是以汉字 “ 严 ” 为例，演示如何实现 UTF-8 编码。已知 “ 严 ” 的 unicode 是 4E25 （ 100111000100101 ），根据上表，可以发现 4E25 处在第三行的范围内（ 0000 0800-0000 FFFF ），因此 “ 严 ” 的 UTF-8 编码需要三个字节，即格式是 “1110xxxx 10xxxxxx 10xxxxxx” 。然后，从 “ 严 ” 的最后一个二进制位开始，依次从后向前填入格式中的 x ，多出的位补 0 。这样就得到了， “ 严 ” 的 UTF-8 编码是 “11100100 10111000 10100101” ，转换成十六进制就是 E4B8A5 。

Little endian 和 Big endian

Unicode 码可以采用 UCS-2 格式直接存储。以汉字 ” 严 “ 为例， Unicode 码是 4E25 ，需要用两个字节存储，一个字节是 4E ，另一个字节是 25 。存储的时候， 4E 在前， 25 在后，就是 Big end ian 方式； 25 在前， 4E 在后，就是 Little endian 方式。即 第一个字节在前，就是 ”大头方式“（Big endian），第二个字节在前就是”小头方式“（Little endian） 。 Unicode 规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做 ” 零宽度非换行空格 “ （ ZERO WIDTH NO-BREAK SPACE ），用 FEFF 表示。这正好是两个字节，而且 FF 比 FE 大 1 。如果一个文本文件的头两个字节是 FE FF ，就表示该文件采用大头方式；如果头两个字节是 FF FE ，就表示该文件采用小头方式。

那么对于“严”字不同的编码存储方式其表现为

1 ） ANSI ：文件的编码就是两个字节 “D1 CF” ，这正是 “ 严 ” 的 GB2312 编码，这也暗示 GB2312 是采用大头方式存储的。

2 ） Unicode ：编码是四个字节 “FF FE 25 4E” ，其中 “FF FE” 表明是小头方式存储，真正的编码是 4E25 。

3 ） Unicode big endian ：编码是四个字节 “FE FF 4E 25” ，其中 “FE FF” 表明是大头方式存储。

4 ） UTF-8 ：编码是六个字节 “EF BB BF E4 B8 A5” ，前三个字节 “EF BB BF” 表示这是 UTF-8 编码，后三个 “E4B8A5” 就是 “ 严 ” 的具体编码，它的存储顺序与编码顺序是一致的.