字符集

一、定义

字符集是一批字符的集合，每个字符对应一个特殊的字符编号，计算机要存储字符，需要通过字符集找到字符编号，并转化为二进制数据存储在内存中。常用的字符集有ASCII 字符集和Unicode字符集。

二、数据的解码和存储过程

字符的存储大致分为俩步，第一是将字符通过特定的字符集转化为字符编号，第二是将字符编号转化为二进制写入内存，解码正好是一个逆过程，从二进制数据转化为编号再转为字符最终显示在屏幕上。
解码的过程中就抛出了一个问题比如有下面一段二进制数据'11001111100101110111001110001'我们如何断词？这段数字代表几个字符？
针对这个问题，主流的有俩种方法处理：

定长处理：

比如ASCII采用一个字节，也就是8bit的长度代表一个字符，
这种方法的缺点是，8位二进制，最多只能容纳个字符

特殊标记处理：

比如utf-8等，在这里需要明确一点，计算机的最小存储单位是bit，一个字节等于8bit，计算机读取一个完整字节的速度最快，所以在存储和解码的过程中都是以B位最小单位的。因此这种解码方法一般是以从最高位开始有几个连续的1来标记第一个字符的二进制编码占用了几个字节的数据。

三、ASCII 字符集

ASCII 总共包含 128 个字符，主要包括英文字母，阿拉伯数字，和一些符号，用 7 个比特位（Bit）恰好能够存储，不过考虑到计算机一般把字节（Byte）作为基本单元，为了操作方便，我们不妨用一个字节（也就是 8 个比特位）来存储 ASCII。这样虽然浪费了一个比特位，但是读写效率提高了。

四、Unicode字符集

Unicode 为了兼容 ASCII，在设计时刻意保留了原来 ASCII 中字符的编号，所以英文字母和阿拉伯数字在 Unicode 中的编号都非常小，用一个字节足以容纳。中是一个汉字，编号比较大，一般要用两个字节才能容纳。
unicode不能单独使用需要配合utf才能正常使用，这是因为，unicode仅仅定义了字符与其对应的字符编号，对于如何断词并没有规定在内，而utf正是用来处理这一部分的，他在unicode的基础上建立一个unicode编号与utf编号的映射关系，而utf编号是一组以特殊标记开头的编号，因此unicode+任意一种utf便可完成字符的存储与二进制数据的解码。
unicode有三种编码方式，utf-8 utf-16 utf-32，后俩种不常用，这里只介绍下utf-8

utf-8

UTF-8 的编码规则很简单：如果只有一个字节，那么最高的比特位为 0；如果有多个字节，那么第一个字节从最高位开始，连续有几个比特位的值为 1，就使用几个字节编码，剩下的字节均以 10 开头。
具体的表现形式为：
0xxxxxxx：单字节编码形式，这和 ASCII 编码完全一样，因此 UTF-8 是兼容 ASCII 的；
110xxxxx 10xxxxxx：双字节编码形式；
1110xxxx 10xxxxxx 10xxxxxx：三字节编码形式；
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx：四字节编码形式。
xxx 就用来存储 Unicode 中的字符编号，不足8位的需要进行补0。

字符	unicode(16)	unicode(2)	utf-8	utf-8(2)
中	u4e2d	1001110 00101101	&#x4E2D

*黑色代表几个字节
*蓝色补零
*红色unicode编号