Unicode和UTF的关系
目录结构：
1，什么是USC
USC是Universal Character Set的简称，也就是“通用字符集”，由ISO（International Organization for Standardization，国际标准化组织）制定的ISO 10646（或称ISO/IEC 10646）标准所定义的标准字符集。
1.1，USC的编码方式
USC有两种编码方式，分别为USC-2和USC-4。其中USC-2代表使用两个字节表示一个字符，USC-4代表使用4个字节表示一个字符。
2，Unicode的来源
2.1，为什么需要Unicode
计算机最开始在美国使用。一个字节有8位，也就是2的8次方，共表示256种状态。但是美国人的所有字符加起来，他们也就只用了128个，即使2的7次方，就是我们所熟知的ASCII编码。但是随着计算机的发展，慢慢地计算机被推广到全球，那么ASCII码中128个字符肯定不能够表示世界所有文化中的文字。由于世界文化的差异，因此全球许多国家编制了一套自己的字符对照表，比如：中国编制的GB2312（采用两个字节表示一个字符）。这种情况下，编码就出现了混乱，每个国家都有一套自己的编码，每个国家都不认识彼此的编码，这样极不利于计算机的推广和规范化。因此，ISO在这个时候站出来了，并且制定了一套USC(Universal Character Set)字符对照表，这套对照表就是Unicode前身。
2.2，Unicode的方式
我们现在知道了Unicode就是一个基于USC的字符对照表，接下来我们算一算USC最多能够表示的字符数量。如果采用USC-4，那么4个字节表示一个字符，也就是可以表示0xFFFFFFFF种字符，但是Unicode只表示到其中的0x10FFFF，所以Unicode表示范围是从0到0x10FFFF。UCS-4根据最高位为0的最高字节分成27=128个group。每个group再根据次高字节分为256个平面（plane）。每个平面根据第3个字节分为256行 （row），每行有256个码位（cell）。group 0的平面0被称作BMP（Basic Multilingual Plane 基本多文种平面）。如果UCS-4的前两个字节为全零，那么将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。每个平面有216=65536个码位。Unicode计划使用了17个平面，一共有17×65536=1114112个码位。在Unicode 5.0.0版本中，已定义的码位只有238605个，分布在平面0、平面1、平面2、平面14、平面15、平面16。其中平面15和平面16上只定义了两个各占65534个码位的专用区（Private Use Area），分别是0xF0000-0xFFFFD和0x100000-0x10FFFD。其中平面0上也定义了6400个码位的专用区域，就是0xE000-0xF8FF，还定义了2048个码位的代理区域，就是0xD800-0xDFFF。所谓专用区，就是保留给大家放自定义字符的区域，可以简写为PUA。0平面上的代理区域就是使用两个UTF-16字符表示BMP以外的字符。在Unicode5.0.0中，如果平面0，平面1，平面2，平面14，平面15，平面16中都把码位定义满了（平面15和平面16都只定义了65534个码位），则总码位=65536*6-4=393212个，但是在Unicode5.0.0中却只有238605个码位，所以6个平面中肯定还有一些平面没有完全定义。
| 最高字节（group） | 次高字节（plane） | 第三字节（row） | 第四字节（cell） | 平面范围 | 备注 | |
| group 0, plane 0（BMP） |
0000 0000 - 0000 0000 |
0000 0000- 0000 0000 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0 - 0xFFFF |
Unicode已定义60528个码位 其中：0xE000-0xF8FF表示专用区域。 0xD800-0xDFFF表示代理区域。 有27973个码位表示汉字。 |
| group 0, plane 1 |
0000 0000 - 0000 0000 |
0000 0001 - 0000 0001 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x10000 - 0x1FFFF |
Unicode已定义3419个码位 |
| group 0, plane 2 |
0000 0000 - 0000 0000 |
0000 0010 - 0000 0010 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x20000 - 0x2FFFF |
Unicode已定义43253个码位 其中：43253个码位都表示汉字 |
| group 0, plane 3 |
0000 0000 - 0000 0000 |
0000 0011 - 0000 0011 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x30000 - 0x3FFFF |
Unicode未定义码位 |
| group 0, plane 4 |
0000 0000 - 0000 0000 |
0000 0100 - 0000 0100 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x40000 - 0x4FFFF |
Unicode未定义码位 |
| group 0, plane 5 |
0000 0000 - 0000 0000 |
0000 0101 - 0000 0101 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x50000 - 0x5FFFF |
Unicode未定义码位 |
| group 0, plane 6 |
0000 0000 - 0000 0000 |
0000 0110 - 0000 0110 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x60000 - 0x6FFFF |
Unicode未定义码位 |
| group 0, plane 7 |
0000 0000 - 0000 0000 |
0000 0111 - 0000 0111 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x70000 - 0x7FFFF |
Unicode未定义码位 |
| group 0, plane 8 |
0000 0000 - 0000 0000 |
0000 1000 - 0000 1000 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x80000 - 0x8FFFF |
Unicode未定义码位 |
| group 0, plane 9 |
0000 0000 - 0000 0000 |
0000 1001 - 0000 1001 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x90000 - 0x9FFFF |
Unicode未定义码位 |
| group 0, plane 10 |
0000 0000 - 0000 0000 |
0000 1010 - 0000 1010 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xA0000 - 0xAFFFF |
Unicode未定义码位 |
| group 0, plane 11 |
0000 0000 - 0000 0000 |
0000 1011 - 0000 1011 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xB0000 - 0xBFFFF |
Unicode未定义码位 |
| group 0, plane 12 |
0000 0000 - 0000 0000 |
0000 1100 - 0000 1100 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xC0000 - 0xCFFFF |
Unicode未定义码位 |
| group 0, plane 13 |
0000 0000 - 0000 0000 |
0000 1101 - 0000 1101 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xD0000 - 0xDFFFF |
Unicode未定义码位 |
| group 0, plane 14 |
0000 0000 - 0000 0000 |
0000 1110 - 0000 1110 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xE0000 - 0xEFFFF |
Unicode已定义337个码位 |
| group 0, plane 15 |
0000 0000 - 0000 0000 |
0000 1111 - 0000 1111 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xF0000 - 0xFFFFF |
Unicode只定义65534个码位 其中：0xF0000 - 0xFFFFD作为专用区 |
| group 0, plane 16 |
0000 0000 - 0000 0000 |
0001 0000 - 0001 0000 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x100000 - 0x10FFFF |
Unicode只定义65534个码位 其中：0x100000-0x10FFFD作为专用区 |
现在来算一下在Unicode 5.0.0版本中实际的字符有多少个 ，只需要用总共的码位数减去平面15的专用区码位、减去平面16的专用区码位、减去平面0的专用区码位、减去平面0的代理区域码位，即是实际的字符数，238605-65534*2-6400-2048=99089，所以在Uincode5.0.0中实际表示字符的只有99089个字符。
3，什么是UTF
UTF就是Unicode Transformation Format，就是Unicode字符转换格式，包括UTF-8,UTF-16,UTF-32。
3.1，UTF和Unicode的关系
现在我们知道了Unicode就是一张字符对照表，类似于ASCII码表。UTF的作用就是将字符对应的数字按照某种格式转化为程序数据。UTF-8故名思意就是每8位保存一个字符，UTF-16顾名思意就是每16位保存一个字符，UTF-32就是每32位保存一个字符。
4，UTF-8的编码方式
|
Unicode编码(十六进制)
|
UTF-8 字节流(二进制)
|
|
000000-00007F
|
0xxxxxxx
|
|
000080-0007FF
|
110xxxxx 10xxxxxx
|
|
000800-00FFFF
|
1110xxxx 10xxxxxx 10xxxxxx
|
| 010000-10FFFF | 11110xxx10xxxxxx10xxxxxx10xxxxxx |
UTF-8的特点是对不同范围的字符使用不同长度的编码。对于UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。
5，UTF-16的编码方式
UTF-16编码以两个字节为单位对Unicode进行编码。
对于Unicode小于0x10000的数据，UTF-16的编码与Unicode的编码相同，换句话说也就是BMP平面（平面0）中的Unicode字符编码与UTF-16的编码相同。
对于Unicode大于0x10000的数据，我们先计算Unicode编码减去0x10000，然后再将得到得到的值写成二进制形式：yyyy yyyy yyxx xxxx xxxx，最后得到该Unicode的UTF-16编码（二进制）就是：110110yyyyyyyyyy 110111xxxxxxxxxx。
6，什么是BOM
BOM就是Btye Order Mark，即使字节顺序标记。BOM分为两种，分别是“大端”（Big Endian, BE）和“小端”（Little Endian, LE）。就是在传输数据中指定数据的顺序的协议。
