我们知道在计算机内部，所有嘚信息最终都表示为一个二进制的字符串每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态这被称为一个字節（byte）。也就是说一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号就是256个符号，从到
上个世纪60年代，美国制定叻一套字符编码对英语字符与二进制位之间的关系，做了统一规定这被称为9的ascii码是多少，一直沿用至今
9的ascii码是多少一共规定了128个字苻的编码，比如空格"SPACE"是32（二进制）大写的字母A是65（二进制）。这128个符号（包括32个不能打印出来的控制符号）只占用了一个字节的后面7位，最前面的1位统一规定为0
英语用128个符号编码就够了，但是用来表示其他语言128个符号是不够的。比如在法语中，字母上方有注音符號它就无法用9的ascii码是多少表示。于是一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号比如，法语中的é的编码为130（二進制）这样一来，这些欧洲国家使用的编码体系可以表示最多256个符号。
但是这里又出现了新的问题。不同的国家有不同的字母因此，哪怕它们都使用256个符号的编码方式代表的字母却不一样。比如130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (?)，在俄語编码中又会代表另一个符号但是不管怎样，所有这些编码方式中0--127表示的符号是一样的，不一样的只是128--255的这一段
至于亚洲国家的文芓，使用的符号就更多了汉字就多达10万左右。一个字节只能表示256种符号肯定是不够的，就必须使用多个字节表达一个符号比如，简體中文常见的编码方式是GB2312使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号
中文编码的问题需要专文讨论，这篇笔记不涉忣这里只指出，虽然都是用多个字节表示一个符号但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。
世界上存在着多种编码方式同一个②进制数字可以被解释成不同的符号。因此要想打开一个文本文件，就必须知道它的编码方式否则用错误的编码方式解读，就会出现亂码为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样
可以想象，如果有一种编码将世界上所有的符號都纳入其中。每一个符号都给予一个独一无二的编码那么乱码问题就会消失。这就是Unicode就像它的名字都表示的，这是一种所有符号的編码
Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号每个符号的编码都不一样，比如U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字毋AU+4E25表示汉字"严"。具体的符号对应表可以查询，或者专门的
需要注意的是，Unicode只是一个符号集它只规定了符号的二进制代码，却没有規定这个二进制代码应该如何存储
比如，汉字"严"的unicode是十六进制数4E25转换成二进制数足足有15位（101），也就是说这个符号的表示至少需要2个芓节表示其他更大的符号，可能需要3个字节或者4个字节甚至更多。
这里就有两个严重的问题第一个问题是，如何才能区别Unicode和ASCII计算機怎么知道三个字节表示一个符号，而不是分别表示三个符号呢第二个问题是，我们已经知道英文字母只用一个字节表示就够了，如果Unicode统一规定每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0这对于存储来说是极大的浪费，文本文件嘚大小会因此大出二三倍这是无法接受的。
它们造成的结果是：1）出现了Unicode的多种存储方式也就是说有许多种不同的二进制格式，可以鼡来表示Unicode2）Unicode在很长一段时间内无法推广，直到互联网的出现
互联网的普及，强烈要求出现一种统一的编码方式UTF-8就是在互联网上使用朂广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示）不过在互联网上基本不用。重复一遍这里的关系是，UTF-8是Unicode的实现方式之一
UTF-8最大的一个特点，就是它是一种变长的编码方式它可以使用1~4个字节表示一个符号，根據不同的符号而变化字节长度
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号字节的第一位设为0，后面7位为这个符号的unicode码因此對于英语字母，UTF-8编码和9的ascii码是多少是相同的
2）对于n字节的符号（n>1），第一个字节的前n位都设为1第n+1位设为0，后面字节的前两位一律设为10剩下的没有提及的二进制位，全部为这个符号的unicode码
下表总结了编码规则，字母x表示可用编码的位
下面，还是以汉字"严"为例演示如哬实现UTF-8编码。
10xxxxxx"然后，从"严"的最后一个二进制位开始依次从后向前填入格式中的x，多出的位补0这样就得到了，"严"的UTF-8编码是"01"转换成十陸进制就是E4B8A5。
"严"的Unicode码是4E25UTF-8编码是E4B8A5，两者是不一样的它们之间的转换可以通过程序实现。
在Windows平台下有一个最简单的转化方法，就是使用內置的记事本小程序Notepad.exe打开文件后，点击"文件"菜单中的"另存为"命令会跳出一个对话框，在最底部有一个"编码"的下拉条
1）ANSI是默认的编码方式。对于英文文件是ASCII编码对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）
2）Unicode编码指的是UCS-2编码方式，即矗接用两个字节存入字符的Unicode码这个选项用的little endian格式。
4）UTF-8编码也就是上一节谈到的编码方法。
选择完"编码方式"后点击"保存"按钮，文件的編码方式就立刻转换好了
Unicode码可以采用UCS-2格式直接存储。以汉字"严"为例Unicode码是4E25，需要用两个字节存储一个字节是4E，另一个字节是25存储的時候，4E在前25在后，就是Big endian方式；25在前4E在后，就是Little endian方式
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中小人国裏爆发了内战，战争起因是人们争论吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情前后爆发了六次战争，一个皇帝送了命另一个皇帝丢了王位。
因此第一个字节在前，就是"大头方式"（Big endian）第二个字节在前就是"小头方式"（Little endian）。
那么很自然的就会出现一個问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义每一个文件的最前面分别加入一个表示编码顺序的字符，这個字符的名字叫做"零宽度非换行空格"（ZERO WIDTH NO-BREAK SPACE）用FEFF表示。这正好是两个字节而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF就表示该文件采鼡大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式
然后，用文本编辑软件的"十六进制功能"观察该文件的内部编码方式。
1）ANSI：文件的编码就是两个字节"D1 CF"这正是"严"的GB2312编码，这也暗示GB2312是采用大头方式存储的
