Unicode和UTF-8有和区别?

本文作者 TomorrowWu,原创文章,转载注明出处,博客地址 https://segmentfault.com/u/to... 第一时间看后续精彩文章。觉得好的话,顺手分享到朋友圈吧,感谢支持。

关于字符集,之前一直就只知道写代码时成员间统一用UTF-8,就不会出现问题,也没有继续深入探讨,今天在网上搜了一些资料,总算弄清楚了,下面大致以简明的方式总结一下

简单来说:

• Unicode是「字符集」
• UTF-8 是「编码规则」

具体:

• 字符集:为每一个「字符」分配一个唯一的 ID（学名为码位 / 码点 / Code Point）
• 编码规则:将「码位」转换为字节序列的规则（编码/解码 可以理解为 加密/解密 的过程）,主要是方便存储与读取,因为存在硬盘中都是二进制,编码规则就是为了解决如何断句的问题,同时也有利于最大化利用存储空间

Unicode 字符集为每一个字符分配一个码位，例如「知」的码位是 30693，记作 U+77E5（30693 的十六进制为 0x77E5）

广义Unicode

广义的 Unicode 是一个标准，定义了一个字符集以及一系列的编码规则，即 Unicode 字符集和 UTF-8、UTF-16、UTF-32 等等编码……

UTF-8 顾名思义，是一套以 8 位为一个编码单位的可变长编码。会将一个码位编码为 1 到 4 个字节：

U+ 0000 ~ U+ 007F: 0XXXXXXX
U+ 0080 ~ U+ 07FF: 110XXXXX 10XXXXXX
U+ 0800 ~ U+ FFFF: 1110XXXX 10XXXXXX 10XXXXXX
U+10000 ~ U+1FFFF: 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX

根据上表中的编码规则，之前的「知」字的码位 U+77E5 属于第三行的范围：

7           7    E    5    
    0111 0111 1110 0101    二进制的 77E5
--------------------------
    0111   011111   100101 二进制的 77E5
1110XXXX 10XXXXXX 10XXXXXX 模版（上表第三行）
11100111 10011111 10100101 代入模版
   E   7    9   F    A   5

这就是将 U+77E5 按照 UTF-8 编码为字节序列 E79FA5 的过程。反之亦然