什么是字符集？
計(jì)算機(jī)發(fā)明出來后，科學(xué)家們遇到了一個(gè)問題，他們不知道該怎么將現(xiàn)實(shí)生活中的符號存儲進(jìn)計(jì)算機(jī)中。后來，他們想出了構(gòu)建一個(gè)字符集的方法，也就是給每一個(gè)符號都匹配一個(gè)二進(jìn)制數(shù)。
這樣存儲字符時(shí)，就可以通過查閱字符集得到對應(yīng)的二進(jìn)制碼，將其存儲在存儲設(shè)備中。讀取數(shù)據(jù)時(shí)，同樣是查閱字符集得到二進(jìn)制碼對應(yīng)的符號，然后將符號輸出。這樣一個(gè)字符集完美構(gòu)建了字符和二進(jìn)制之間的關(guān)系。
有圖有真相，展示下最常見的 ASCII 碼表吧。
ASCII 碼
這是美國人制定的一個(gè)只支持英文字母還有少許特殊字符的一個(gè)字符集。一共有 128 個(gè)字符，上圖已經(jīng)展示了對應(yīng)關(guān)系了。
ASCII 表中，每個(gè)字符只占一個(gè)字節(jié)，且字節(jié)的第一位固定位 0 ，因?yàn)?7 位就能夠表示 128 個(gè)字符。如字母 A 對應(yīng)的二進(jìn)制形式是 01000001 。
非 ASCII 碼
對于非英語的國家，128 個(gè)字符無法表示他們的語言，這時(shí)候開始把前面閑置的一位也給用上了，倒是能解決一些問題。但還是不夠用，比如中文遠(yuǎn)遠(yuǎn)不止 256 個(gè)字符，這時(shí)候就要尋求更高端的字符集了。
然后各個(gè)語言都給自己配置了一套字符集，但這些字符集互相都不兼容，你不認(rèn)識我，我不認(rèn)識你。還是拿中文舉例，早先出現(xiàn)了 GB2312 碼，它在兼容了 ASCII 碼的情況下，加入了六千多個(gè)漢字，可是中文哪里只有這么點(diǎn)漢子呢？后來又出現(xiàn)了兼容 GB2312 的 GBK 編碼。所以，以后遇到 GB2312 和 GBK 碼就不用再迷糊了。
這時(shí)候 ISO 則發(fā)布了一款包含所有語言字符的一個(gè)字符集 unicode 。
Unicode 字符集
它給每一個(gè)字符都規(guī)定了對應(yīng)的二進(jìn)制數(shù)，但是很多字符的二進(jìn)制碼位數(shù)是不同的，比如，漢字"嚴(yán)"的 unicode 是十六進(jìn)制數(shù) 4E25 ，這需要兩個(gè)字節(jié)，而如字母 A 對應(yīng)的二進(jìn)制形式是 01000001 ，這只需要一個(gè)字節(jié)。
unicode 存在嚴(yán)重的兩個(gè)問題。第一，如果統(tǒng)一字符存儲的長度，勢必會造成很大的存儲資源浪費(fèi)。第二，在解碼時(shí)，怎么判斷是一個(gè)字節(jié)表示一個(gè)符號，還是兩個(gè)字節(jié)，甚至更多字節(jié)呢？
基于這樣的問題，所以 unicode 碼只給出了每個(gè)字符對應(yīng)的二進(jìn)制碼，并沒有規(guī)定應(yīng)該用多少個(gè)字節(jié)去存儲它。相當(dāng)與 Java 中的接口，制定了規(guī)范。
UTF-8 字符集
互聯(lián)網(wǎng)的普及，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。utf-8 應(yīng)運(yùn)而生，它就是 unicode 的其中之一的實(shí)現(xiàn)方式，相當(dāng)于 unicode 接口的實(shí)現(xiàn)類。
UTF-8最大的一個(gè)特點(diǎn)，就是它是一種變長的編碼方式。它可以使用 1~4 個(gè)字節(jié)表示一個(gè)符號，根據(jù)不同的符號而變化字節(jié)長度。這樣就直接解決了統(tǒng)一長度造成的大量存儲資源浪費(fèi)的問題，按需分配嘛。
那它是如何解決讀的問題呢？解決方法如下
unicode 完全兼容 ASCII 碼，對于這部分字符，首字母為零，后七位為對應(yīng)的二進(jìn)制碼。如字母 A 對應(yīng)的二進(jìn)制形式是 01000001 。
對于需要占據(jù) n 字節(jié)的符號，它第一個(gè)字節(jié)的前 n 位規(guī)定為 1 ，第 n+1 位規(guī)定為 0 ，后面 n -1 個(gè)字節(jié)的前兩位一律規(guī)定為 10 。例如，“嚴(yán)” 的 unicode 是 4E25（100111000100101），根據(jù) utf-8 的實(shí)現(xiàn)方式， "嚴(yán)" 的 UTF-8 編碼需要三個(gè)字節(jié)，即格式是 "1110xxxx 10xxxxxx 10xxxxxx " 。
然后，從字符對應(yīng)的最后一個(gè)二進(jìn)制位開始，依次從后向前填入格式中的 x，多出的位補(bǔ) 0 。所以，"嚴(yán)"的 UTF-8 編碼是 "11100100 10111000 10100101"。
讀取時(shí)，自動忽略這些固定的描述信息后，再查看 unicode 規(guī)定的字符規(guī)范，就可以得到對應(yīng)字符了。
總結(jié)下就是，ASCII 只適用于英語，而實(shí)現(xiàn)了 unicode 編碼的 utf-8 適用于所有的語言符號，且兼容 ASCII 碼，所以以后所有涉及編碼的問題，都指定為 utf-8 哦。
