[导入]Unicode字符集详解

一句来自《三国》中的话——分久必合合久必分，各个字符集之间也存在的分久必合的现象。随着国际标准ISO10646规定的通用字符集（UCS,全称Universal Mutiple-Octet Doded Character Set）的发布，各种字符集之间不统一和谐的问题就得到了改观。

UTF编码，全称是Unicode Transformer Format，这种编码是UCS的实际形式，它的分类是按照其基本长度所占用的位数而定，分为UTF-8/16/32三种形式。UTF可以说是其他字符集的集合，它使得其它字符集是交叉兼容的，可以说，凡是将文字符号转为UCS后再转回原来的编码，也不会丢失信息。

UCS包含了现在所有的已知语言的字符，包含从拉丁文、希腊语到中文、韩文等象形文字，再到日文的平假名、片假名等众多语系 。因此使用UTF进行程序开发，绝对是程序国际化的首选，Unicode将世界的语言统一起来，构成了最伟大的字符集。

1.UTF-8字符集

UTF-8保证了字母与数字都是一个字节，其他的文字用不定长编码，最多占用6个字节，它支持31位编码。前64K的Unicode（UCS-2）编成UTF-8只需要3个字节。

UTF-8的最大优点：
能够与128位以下编码和单字节处理软件兼容
UTF-8的多字节编码没有字节错乱问题。例如删除半个汉字时（在某些软件如CuteFTP中）时不会导致其他文字乱码


2.UTF-16字符集

UTF-8是变长编码，每个Unicode代码点按照不同范围，可能会存在着1-3个不同的字节。

UTF-16是相对固定的编码，如果处理的内容在U200000范围内，每个Unicode代码点都是16位的，超出的话，就会使用2个UTF-16（也就是4个字节）。同时UTF-16还按照位的字节高地分为UTF-16BE和UTF-16LE。


3.UTF-32字符集

UTF-32字符集始终固定，没有UTF-8/16的定位问题，每个Unicode代码点都是用32位表示（也就是4个字节）。同样，它也按照 位的字节高地分为UTF-32BE和UTF-32LE。


结语：

UTF可以说是各种文字的大杂烩，这样让各种字符融会贯通，只要通过简单的定位，就可以实现对字符串的各项操作了（UTF-32不需要定位即可），但是UTF-32是UTF编码家族占用空间最大的，在开发时候不应忽略这一点。