Unicode 也稱為統一碼、萬國碼；看名字就知道，Unicode 希望統一所有國家的字符編碼。
Unicode 於 1994 年正式公布第一個版本，現在的規模可以容納 100 多萬個符號，是一個很大的集合。
有興趣的讀取可以轉到 https://unicode-table.com/cn/ 查看 Unicode 包含的所有字符，以及各個國家的字符是如何分布的。
Windows、Linux、Mac OS 等常見操作系統都已經從底層（內核層面）開始支持 Unicode，大部分的網頁和軟件也使用 Unicode，Unicode 是大勢所趨。
不過由於歷史原因，目前的計算機仍然安裝了 ASCII 編碼以及 GB2312、GBK、Big5、Shift-JIS 等地區編碼，以支持不使用 Unicode 的軟件或者文檔。內核在處理字符時，一般會將地區編碼先轉換為 Unicode，再進行下一步處理。
Unicode 字符集是如何存儲的
本節我們多次說 Unicode 是一套字符集，而不是一套字符編碼，它們之間究竟有什么區別呢？
嚴格來說，字符集和字符編碼不是一個概念：
- 字符集定義了字符和二進制的對應關系，為每個字符分配了唯一的編號。可以將字符集理解成一個很大的表格，它列出了所有字符和二進制的對應關系，計算機顯示文字或者存儲文字，就是一個查表的過程。
- 而字符編碼規定了如何將字符的編號存儲到計算機中。如果使用了類似 GB2312 和 GBK 的變長存儲方案（不同的字符占用的字節數不一樣），那么為了區分一個字符到底使用了幾個字節，就不能將字符的編號直接存儲到計算機中，字符編號在存儲之前必須要經過轉換，在讀取時還要再逆向轉換一次，這套轉換方案就叫做字符編碼。
有的字符集在制定時就考慮到了編碼的問題，是和編碼結合在一起的，例如 ASCII、GB2312、GBK、BIG5 等，所以無論稱作字符集還是字符編碼都無所謂，也不好區分兩者的概念。而有的字符集只管制定字符的編號，至於怎么存儲，那是字符編碼的事情，Unicode 就是一個典型的例子，它只是定義了全球文字的唯一編號，我們還需要 UTF-8、UTF-16、UTF-32 這幾種編碼方案將 Unicode 存儲到計算機中。
Unicode 可以使用的編碼方案有三種，分別是：
- UTF-8：一種變長的編碼方案，使用 1~6 個字節來存儲；
- UTF-32：一種固定長度的編碼方案，不管字符編號大小，始終使用 4 個字節來存儲；
- UTF-16：介於 UTF-8 和 UTF-32 之間，使用 2 個或者 4 個字節來存儲，長度既固定又可變。
UTF 是 Unicode Transformation Format 的縮寫，意思是“Unicode轉換格式”，后面的數字表明至少使用多少個比特位（Bit）來存儲字符。
1) UTF-8
UTF-8 的編碼規則很簡單：
- 如果只有一個字節，那么最高的比特位為 0，這樣可以兼容 ASCII；
- 如果有多個字節，那么第一個字節從最高位開始，連續有幾個比特位的值為 1，就使用幾個字節編碼，剩下的字節均以 10 開頭。
具體的表現形式為：
- 0xxxxxxx：單字節編碼形式，這和 ASCII 編碼完全一樣，因此 UTF-8 是兼容 ASCII 的；
- 110xxxxx 10xxxxxx：雙字節編碼形式（第一個字節有兩個連續的 1）；
- 1110xxxx 10xxxxxx 10xxxxxx：三字節編碼形式（第一個字節有三個連續的 1）；
- 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx：四字節編碼形式（第一個字節有四個連續的 1）。
xxx 就用來存儲 Unicode 中的字符編號。
下面是一些字符的 UTF-8 編碼實例（綠色部分表示本來的 Unicode 編號）：
| 字符 | 字母N |
符號æ |
中文⻬ |
|---|---|---|---|
| Unicode 編號（二進制） | 01001110 | 11100110 | 00101110 11101100 |
| Unicode 編號（十六進制） | 4E | E6 | 2E EC |
| UTF-8 編碼（二進制） | 01001110 | 11000011 10100110 | 11100010 10111011 10101100 |
| UTF-8 編碼（十六進制） | 4E | C3 A6 | E2 BB AC |
對於常用的字符，它的 Unicode 編號范圍是 0 ~ FFFF，用 1~3 個字節足以存儲，只有及其罕見，或者只有少數地區使用的字符才需要 4~6個字節存儲。
2) UTF-32
UTF-32 是固定長度的編碼，始終占用 4 個字節，足以容納所有的 Unicode 字符，所以直接存儲 Unicode 編號即可，不需要任何編碼轉換。浪費了空間，提高了效率。
3) UTF-16
UFT-16 比較奇葩，它使用 2 個或者 4 個字節來存儲。
對於 Unicode 編號范圍在 0 ~ FFFF 之間的字符，UTF-16 使用兩個字節存儲，並且直接存儲 Unicode 編號，不用進行編碼轉換，這跟 UTF-32 非常類似。
對於 Unicode 編號范圍在 10000~10FFFF 之間的字符，UTF-16 使用四個字節存儲，具體來說就是：將字符編號的所有比特位分成兩部分，較高的一些比特位用一個值介於 D800~DBFF 之間的雙字節存儲，較低的一些比特位（剩下的比特位）用一個值介於 DC00~DFFF 之間的雙字節存儲。
如果你不理解什么意思，請看下面的表格：
| Unicode 編號范圍 （十六進制） |
具體的 Unicode 編號 （二進制） |
UTF-16 編碼 | 編碼后的 字節數 |
|---|---|---|---|
| 0000 0000 ~ 0000 FFFF | xxxxxxxx xxxxxxxx | xxxxxxxx xxxxxxxx | 2 |
| 0001 0000---0010 FFFF | yyyy yyyy yyxx xxxx xxxx | 110110yy yyyyyyyy 110111xx xxxxxxxx | 4 |
位於 D800~0xDFFF 之間的 Unicode 編碼是特別為四字節的 UTF-16 編碼預留的，所以不應該在這個范圍內指定任何字符。如果你真的去查看 Unicode 字符集，會發現這個區間內確實沒有收錄任何字符。
UTF-16 要求在制定 Unicode 字符集時必須考慮到編碼問題，所以真正的 Unicode 字符集也不是隨意編排字符的。
對比以上三種編碼方案
首先，只有 UTF-8 兼容 ASCII，UTF-32 和 UTF-16 都不兼容 ASCII，因為它們沒有單字節編碼。
1) UTF-8 使用盡量少的字節來存儲一個字符，不但能夠節省存儲空間，而且在網絡傳輸時也能節省流量，所以很多純文本類型的文件（例如各種編程語言的源文件、各種日志文件和配置文件等）以及絕大多數的網頁（例如百度、新浪、163等）都采用 UTF-8 編碼。
UTF-8 的缺點是效率低，不但在存儲和讀取時都要經過轉換，而且在處理字符串時也非常麻煩。例如，要在一個 UTF-8 編碼的字符串中找到第 10 個字符，就得從頭開始一個一個地檢索字符，這是一個很耗時的過程，因為 UTF-8 編碼的字符串中每個字符占用的字節數不一樣，如果不從頭遍歷每個字符，就不知道第 10 個字符位於第幾個字節處，就無法定位。
不過，隨着算法的逐年精進，UTF-8 字符串的定位效率也越來越高了，往往不再是槽點了。
2) UTF-32 是“以空間換效率”，正好彌補了 UTF-8 的缺點，UTF-32 的優勢就是效率高：UTF-32 在存儲和讀取字符時不需要任何轉換，在處理字符串時也能最快速地定位字符。例如，在一個 UTF-32 編碼的字符串中查找第 10 個字符，很容易計算出它位於第 37 個字節處，直接獲取就行，不用再逐個遍歷字符了，沒有比這更快的定位字符的方法了。
但是，UTF-32 的缺點也很明顯，就是太占用存儲空間了，在網絡傳輸時也會消耗很多流量。我們平常使用的字符編碼值一般都比較小，用一兩個字節存儲足以，用四個字節簡直是暴殄天物，甚至說是不能容忍的，所以 UTF-32 在應用上不如 UTF-8 和 UTF-16 廣泛。
3) UTF-16 可以看做是 UTF-8 和 UTF-32 的折中方案，它平衡了存儲空間和處理效率的矛盾。對於常用的字符，用兩個字節存儲足以，這個時候 UTF-16 是不需要轉換的，直接存儲字符的編碼值即可。
Windows 內核、.NET Framework、Cocoa、Java String 內部采用的都是 UTF-16 編碼。UTF-16 是幕后的功臣，我們在編輯源代碼和文檔時都是站在前台，所以一般感受不到，其實很多文本在后台處理時都已經轉換成了 UTF-16 編碼。
不過，UNIX 家族的操作系統（Linux、Mac OS、iOS 等）內核都采用 UTF-8 編碼，我們就不去爭論誰好誰壞了。
寬字符和窄字符（多字節字符）
有的編碼方式采用 1~n 個字節存儲，是變長的，例如 UTF-8、GB2312、GBK 等；如果一個字符使用了這種編碼方式，我們就將它稱為多字節字符，或者窄字符。
有的編碼方式是固定長度的，不管字符編號大小，始終采用 n 個字節存儲，例如 UTF-32、UTF-16 等；如果一個字符使用了這種編碼方式，我們就將它稱為寬字符。
Unicode 字符集可以使用窄字符的方式存儲，也可以使用寬字符的方式存儲；GB2312、GBK、Shift-JIS 等國家編碼一般都使用窄字符的方式存儲；ASCII 只有一個字節，無所謂窄字符和寬字符。