Unicode 和 UTF-8 的区别

      我们知道，所有在计算机上看到的文本，图像，音乐都是以字节流的形式存放在硬盘上或在网络上传输的。我们把前者转化为后者的过程称为编码（Encoding），反之则为解码（decoding）。相比于图像，音乐而言，对文本的编码相对简单的。实际上，一段文字就是一个字符串String，它是由一系列的字符（Character）组成。对其编码就是将每个字符映射为一个数字。这种编码方式看起来不复杂，但是映射方式可以有很多种。在Unicode出现之前就已经有了很多的字符集，包括我们熟悉的ASCII，GBK，BIG5。正是大量不同字符集的存在带了一个我们经常听到的问题：乱码。所谓乱码就是decoding和encoding使用的字符集不兼容，导致一些字符没有被正确的解析。再进一步讨论这个问题之前，首先要引入几个概念：

• Character Repertoire 定义了其所支持的所有抽象字符的全集。比如说可以为所有英文字母，数字以及简单的符号定义一个Repertoire。
• 在定义了一个Character Repertoire 之后，我们就需要赋予其中每个字符单位一个唯一的大于0的Code Point。在完成这样的映射之后，我们就创建了一个Coded Character Set （字符集）。比如说，我们所熟悉的ASCII字符集一个有127个字符，其对应的编码也就是从1到127中。而Unicode定义的这个集合就要大得多，目前5.2版本包括107,361个字符。理论上，它可以定义1,114,112个字符（0 - 0x10FFFF）。为了方便管理和扩展性，这个范围给划分成若干段，每段用来表示不同种类的字符。
• 接下来，Character Encoding Scheme （字符编码）就会用来指定如何把每个字符的code point映射为可以传输的字节序列。常见的基于Unicode的编码方式有UTF-8，UTF-16和UTF-32。其中， UTF-8的最大的优点就是它能够向前兼容ASCII编码，因为这个原因，它就成为了目前最为流行的编码方式。

      继续我们的讨论。为了避免出现乱码，我们必须要在解码之前知道这个字符流使用的编码。HTML和XML采取了定义元数据的方法。所谓元数据，是指数据的属性，而数据的编码正是其中的一种。在HTML中，我们可以在head元素中加入这一行来指定解析这一网页要使用的编码：<meta http-equiv="content-type content-type="text/html;charset=UTF-8" />。当然，除此以外，我们也可以在HTTP响应头中使用content-type来指定相同的信息，这种方法具有更高的优先级。而对于XML文件而言，你所需要做的就是在文件的第一行指定<?xml version="1.0" encoding="UTF-8" ?>。