前言
开发的过程中经常要对文本进行编码之后再传给服务器，比如说上传表情到服务器，这个时候经常会用到什么UTF-8编码，有的人又说什么Unicode编码，这两者都是什么之前一直似懂非懂，自作主张的人为是两种不同的字符编码方式。经过一系列百度之后对这个问题有个更成熟的理解，在此做个笔记。
首先Unicode是一个字符集，很牛，它包含世界上所有的字符，每个字符对应一个二进制编码，用两个字节保存。这样的话所有国家的所有字符都可以在网络上自由的传输，但是这样做有个问题就是本来英文字母A，用ASCII编码是十进制的65，二进制的01000001，一个字节就可以保存，如果按照Unicode的标准需要两个字节保存，白白浪费了一个字节，这样肯定不好，如果我是美国人也不想要这样的结局，所以就通过人们的智慧就出现了UTF-8。
UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。那么通过UTF-8编码之后字母A只需要一个字节就可以了，这样美国人就比较开心了，但中国人又不太开心，因为汉字通过UTF-8编码之后通常需要三个字节，多花了一个字节，这个时候相比中国自己的GB2312编码方式显得不是很厚道，但为了世界统一，UTF-8的出现利大于弊，如果每个国家都按照自己的方式来，互联网就乱了。UTF-8编码有一个额外的好处，就是ASCII编码实际上可以被看成是UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。
UTF-8编码规则
1. 单字节的字符，字节的第一位设为0，对于英语文本，UTF-8码只占用一个字节，和ASCII码完全相同；
2. n个字节的字符(n>1)，第一个字节的前n位设为1，第n+1位设为0，后面字节的前两位都设为10，这n个字节的其余空位填充该字符unicode码，高位用0补足。
这样就形成了如下的UTF-8标记位：
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
总结
在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。所以UTF-8的出现是为了更好的存储和网络传输，如果传输的内容多为字母，那么这种方式将会节约不少流量，就酱。
网友评论