ASCII 碼
計算機內部，所有信息最終都是一個二進制值。每一個二進制位（bit）有 0 和 1 兩種狀態，因此八個二進制位就可以組合出 256 種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示 256 種不同的狀態，每一個狀態對應一個符號，就是 256 個符號，從 00000000 到 11111111。
上個世紀 60 年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。
ASCII 碼一共規定了 128 個字符的編碼，比如空格 SPACE 是 32（二進制 00100000），大寫的字母 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，最前面的一位統一規定為 0。
非 ASCII 編碼
英語用 128 個符號編碼就夠了，但是用來表示其他語言，128 個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 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。比如，法語中的é的編碼為 130（二進制 10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多 256 個符號。
但是，這里又出現了新的問題。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。比如，130 在法語編碼中代表了é，在希伯來語編碼中卻代表了字母 Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0--127 表示的符號是一樣的，不一樣的只是 128--255 的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達 10 萬左右。一個字節只能表示 256 種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，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 256 x 256 = 65536 個符號。
中文編碼的問題需要專文討論，這篇筆記不涉及。這里只指出，雖然都是用多個字節表示一個符號，但是 GB 類的漢字編碼與后文的 Unicode 和 UTF-8 是毫無關系的。
Unicode
正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode 當然是一個很大的集合，現在的規模可以容納 100 多萬個符號。每個符號的編碼都不一樣，比如，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 unicode.org，或者專門的 漢字對應表。
問題
需要注意的是，Unicode 只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。
比如，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），也就是說，這個符號的表示至少需要 2 個字節。表示其他更大的符號，可能需要 3 個字節或者 4 個字節，甚至更多。
這里就有兩個嚴重的問題：
- 如何才能區別 Unicode 和 ASCII ？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？
- 我們已經知道，英文字母只用一個字節表示就夠了，如果 Unicode 統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是 0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：
- 1）出現了 Unicode 的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示 Unicode。
- 2）Unicode 在很長一段時間內無法推廣，直到互聯網的出現。
UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在互聯網上使用最廣的一種 Unicode 的實現方式。其他實現方式還包括 UTF-16（字符用兩個字節或四個字節表示）和 UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8 是 Unicode 的實現方式之一。
UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個字節表示一個符號，根據不同的符號而變化字節長度。
UTF-8 的編碼規則很簡單，只有二條：
1）對於單字節的符號，字節的第一位設為 0，后面 7 位為這個符號的 Unicode 碼。因此對於英語字母，UTF-8 編碼和 ASCII 碼是相同的。
2）對於 n 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，后面字節的前兩位一律設為 10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。
下表總結了編碼規則，字母 x 表示可用編碼的位。
Unicode 符號范圍 | UTF-8 編碼方式
（十六進制） | （二進制）
----------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
跟據上表，解讀 UTF-8 編碼非常簡單。如果一個字節的第一位是 0，則這個字節單獨就是一個字符；如果第一位是 1，則連續有多少個 1，就表示當前字符占用多少個字節。
下面，還是以漢字嚴為例，演示如何實現 UTF-8 編碼。
嚴的 Unicode 是 4E25（100111000100101），根據上表，可以發現 4E25 處在第三行的范圍內（0000 0800 - 0000 FFFF），因此嚴的 UTF-8 編碼需要三個字節，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，多出的位補 0。這樣就得到了，嚴的 UTF-8 編碼是 11100100 10111000 10100101，轉換成十六進制就是 E4B8A5。
程序驗證
使用 Java 單元測試，測試漢字“嚴”的 UTF-8 編碼，測試代碼如下：
@Test
public void testUtf8() {
String s = "嚴";
byte[] bytes = s.getBytes(StandardCharsets.UTF_8);
System.out.println(Arrays.toString(bytes));
for (byte b : bytes) {
System.out.print(Integer.toBinaryString(b).substring(24, 32) + " ");
}
}
輸出結果為：
[-28, -72, -91]
11100100 10111000 10100101
我們可以看到和上述分析一致。編碼為11100100 10111000 10100101，第一個字節 11100100，前三位為 1，標識這個 Unicode 一共有 3 位。11100100 去掉前 3 位，10111000 去掉前 2 位，10100101 去掉前 2 位，最終字符編碼為 1001110 00100101，即為最終的 Unicode 編碼 4E25。
總結
- ASCII 編碼只能表示 127 個字符，表示英文足夠，但是無法表示其他語言字符；
- Unicode 是所有符號的編碼，是一個很大的集合，只規定了符號的二進制代碼，並沒有規定這些二進制代碼應該如何存儲；
- UTF-8 是一種變長的編碼方式，是 Unicode 的實現方式之一。
參考鏈接
GitHub 項目
Java 編程思想-最全思維導圖-GitHub 下載鏈接，需要的小伙伴可以自取~
原創不易，希望大家轉載時請先聯系我，並標注原文鏈接。