什么是字符集和编码？ASCIIUTF8UTF16UTF32又是什么？

　　作者：乔戈里，哈工大计算机本硕，百度工程师
　　当天下午
　　————————
　　在计算机底层，比如说你的名字＂小萌＂在计算机中并不是文字的形式，而是一串二进制数字，如＂011001100110…＂
　　人类只认识文字，可惜计算机只认 0 和 1，双方都不能妥协，那就必须要有一个从文字到 0、1 的映射了。
　　从我们可以看到的文字到 0、1 的映射称为编码，反过来从 0、1 到文字叫解码。这个就是编码的含义。
　　因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。最早的计算机在设计时采用 8 个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是 255（二进制11111111=十进制 255），0 - 255 被用来表示大小写英文字母、数字和一些符号，这个编码表被称为 ASCII 编码，比如大写字母 A 的编码是 65，小写字母 z 的编码是 122。
　　Unicode 编码定义了这个世界上几乎所有字符（就是你眼睛看的字符，比如ABC、汉字等）的数字表示，而且 Unicode 还兼容了很多老版本的编码规范，例如刚刚讲过的 ASCII 码。
　　我们国家的每一个人都对应唯一的一个身份证号，而 Unicode 也为每个字符发了一张身份证，这张＂身份证＂上有一串唯一的数字 ID 确定了这个字符。
　　这串数字在整个计算机的世界具有唯一性，Unicode 给这串数字 ID 起了个名字叫［码点］。
　　这个＂Unicode 转换格式＂是为了解决＂码点＂在计算机存储方式而设计的。
　　＂码点＂经过映射后得到的二进制串的转换格式单位称之为＂码元＂（Code Unit）。＂码点＂就是一串二进制数，＂码元＂就是切分这个二进制数的方法。
　　举个例子，如果有一个字符的码点二进制表示有 n 字节（n*8 个二进制数），其码元为 8 位（1 个字节），那么其拥有码元 n 个。
　　Unicode 编码发展到今天扩展到了 21 位，为啥扩展到 21 位了呢？因为一开始老美只考虑自己那 26 个英文字母和数字，随着越来越多的国家的语言语言编码，Unicode 不得继续扩展，目前 21 位已经足够使用。
　　UTF-32 是最好理解的一个了。UTF-32 也就是说它的码元是 32 位，每 32 位去读一下码点，而码点是 Unicode 给字符的编码，前面也说了，最长才 21 位，因此每一个 UTF-32 值都可以直接表示对应的码点。
　　什么是编码空间呢？前面说了 Unicode ,它是 21 位的。这 21 位提供了 1,114,112 个码点，编码空间就是对应这 1,114,112 个码点。
　　对了这里要说一下，这么多码点并不代表有这么多字符，目前大概只有 10% 的空间被使用了，人类社会还没创造出 1,114,112 这么多的字符。编码空间被分成 17 个平面（plane），每个平面有 65,536 个字符（正好填充 2 个字节，16 位）。0 号平面叫做＂基本多文种平面＂（BMP, Basic Multilingual Plane），涵盖了几乎所有你能遇到的字符，除了 emoji（emoji 位于 1 号平面 - -）。其它平面叫做补充平面，大多是空的。
　　UTF-16 要常见得多，它的码元是 16 位的，也就是说每 16 位去读一下码点，获取码点的前 16 位数字，直到读取完成。
　　编码空间这里要用上了哈，BMP 平面（也就是前面说的基本多文种平面）中的每一个码点都直接与一个 UTF-16 的码元一一映射。
　　由于 BMP 几乎包括了所有常见字符，UTF-16 一般需要 UTF-32 大约一半的空间。至于其它平面里很少使用的码点都是用两个 16 位的码元来编码的。
　　UTF-8 使用一到四个字节来编码一个码点。从 0 到 127 的这些码点直接映射成 1 个字节（对于只包含这个范围字符的文本来说，这一点使得 UTF-8 和 ASCII 完全相同）。接下来的 1,920 个码点映射成 2 个字节，在 BMP 里所有剩下的码点需要 3 个字节。Unicode 的其他平面里的码点则需要 4 个字节。UTF-8 是基于 8 位的码元的，因此它并不需要关心字节顺序（因为字节就是 8 位的呀，其它 UTF-16 和 UTF-32 在不同的机器编译环境下需要考虑字节的顺序问题）。