1 ASCII碼
統一規定英語字符與二進制位之間的關系。ASCII碼一共規定了128個字符的編碼。例如，空格“SPACE”是32（二進制00100000），大寫字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號）只占用了一個字節的后面7位，最前面的1位統一規定為0。
2 非ASCII編碼
表示非英語的其他語言時，128個符號是不夠的。例如，在法語中，字母上方有注音符號，無法用ASCII碼表示。於是，一些歐洲國家就決定：利用字節中閑置的最高位編入新的符號。例如，法語中的é的編碼為130（二進制是10000010）。這樣可以表示256個符號。
但是，不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。例如，130在法語編碼中代表é，在希伯來語編碼中代表字母Gimel (ג)，在俄語編碼中代表另一個符號。0-127表示的符號是一樣的，不一樣的是128-255這一段。漢字多達10萬左右，需要使用多個字節表示一個漢字。例如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個漢字。雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與下面的Unicode和UTF-8是沒關系的。
3 Unicode
世界上存在多種編碼方式，同一個二進制數字可以被解釋成不同的符號。之所以電子郵件經常出現亂碼，是因為發信人和收信人使用的編碼方式不一樣。作為所有符號的編碼，Unicode納入了世界上所有的符號，給予每一個符號一個獨一無二的編碼。它是一個龐大的集合，可以容納100多萬個符號。例如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴。具體的符號對應表，可以查詢http://www.unicode.org/或者漢字對應表。
Unicode的問題
Unicode只是一個符號集，只規定了符號的二進制編碼，但沒有規定存儲方式。例如，漢字嚴的Unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101）即需要2個字節。不同的符號需要的字節數量不同。存在如下2個問題：
1 如何區別Unicode和ASCII？
計算機怎么知道3個字節表示一個符號，而不是分別表示3個符號呢？
2 容易出現空間浪費
英文字母僅需一個字節。如果Unicode統一規定每個符號用3個或4個字節表示，那么存儲英文字母時會出現2個或3個字節全是0，浪費空間。
於是，出現了Unicode的多種實現方式。
4 UTF-8
UTF-8是互聯網上使用最廣的一種Unicode實現方式。其他實現方式包括UTF-16（字符用2個字節或4個字節表示）和UTF-32（字符用4個字節表示）。UTF-8是一種可變長的編碼方式，使用1~4個字節表示一個符號，根據不同的符號調整字節數量。
UTF-8的編碼規則：
1 對於單字節的符號，字節的第一位設為0，后面7位是這個符號的Unicode編碼。因此，對於英語字母，UTF-8編碼和ASCII碼是相同的。
2 對於n個字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，后面字節的前兩位均設為10。剩下的二進制位由這個符號的Unicode編碼從后向前依次填入，空位補0。
編碼規則總結見下表，字母x表示可編碼的位：
以漢字嚴為例，如何實現UTF-8編碼：
已知嚴的Unicode是4E25（100111000100101），根據上表，4E25處在第3行的范圍內（0000 0800-0000 FFFF），所以嚴的UTF-8編碼需要3個字節，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從嚴的最后一個二進制位開始，依次從后向前填入格式中的x，空位補0。於是，嚴的UTF-8編碼是“11100100 10111000 10100101”，轉換成十六進制是E4B8A5。
5 代碼點和代碼單元
從Java5開始，代碼點（code point）是指與一個編碼表中的某個字符對應的代碼值。在Unicode標准中，代碼點采用十六進制書寫，並加上前綴U+，例如U+0041是字母A的代碼點。多語言中每個字符用16位表示，稱為代碼單元（code unit）。在Java中，char類型用UTF-16編碼描述一個代碼單元。使用代碼單元而非字符，與Unicode字符集的增補相關。替代區域（surrogate area）[U+D800～U+DBFF表示第一個代碼單元，U+DC00〜U+DFFF表示第二個代碼單元]。可以快速知道一個代碼單元是一個字符的編碼，還是一個輔助字符的第一或第二部分。例如，對於整數集合的數學符號，它的代碼點是U+1D568，是用兩個代碼單元U+D835和U+DD68編碼的。
String的length方法得到的是UTF-16編碼對應的代碼單元數量，而非字符個數；charAt方法得到的是指定位置的代碼單元，而非字符。獲取字符個數需要調用codePointCount方法，獲取單個字符需要調用codePointAt方法。
考慮字符串：Ƶ is the set of integers.
使用UTF-16編碼表示Ƶ需要兩個代碼單元。執行char ch = sentence.charAt(1);語句得到的不是空格，而是第二個代碼單元Z。為了避免發生這種情況，請不要使用char類型。
參考資料