关于编码：Unicode/UTF-8/UTF-16/UTF-32

关于编码，绕不开下面这些概念

①Unicode/UTF-8/UTF-16/UTF-32

②大小端字节序（big-endian/little-endian）

③BOM（Byte Order Mark）

1.关于Unicode/UTF-8/UTF-16/UTF-32

①Unicode其实应该是一个码值表。（百度百科：Unicode的功用是为每一个字符提供一个唯一的代码（即一组数字））。

②UTF-8/UTF-16/UTF-32是通过对Unicode码值进行对应规则转换后，编码保持到内存/文件中。UTF-8/UTF-16/UTF-32都是可变长度的编码方式。（后面将进行Unicode码值转换为UTF-8的说明）。

③我们平常说的 “Unicode编码是2个字节” 这句话，其实是因为windows默认的Unicode编码就是UTF-16，在常用基本字符上2个字节的编码方式已经够用导致的误解，其实是可变长度的。

在没有特殊说明的情况下，常说的Unicode编码可以理解为UTF-16编码。

④UTF-32是因为UTF-16编码方式不能表示全部的字符而扩充的编码方式。

ps：显示的字符是表现形式，具体内存中的编码方式和字符显示之间通过中间层进行转换。（根据编码规则，1个字符可能对应内存中1个到几个字节。）

2.UTF-8编码

①UTF编码方式，按照规则转换后，第1个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。

网络上数据传输英文字符只需要1个字节，可以节省带宽资源。当前大部分的网络应用都使用UTF-8编码。（中文按照规则会转换为3个字节，反而浪费资源，没办法，规则别人定好了！）

②UTF-8编码需要进行字节数转换+补码两个步骤

Unicode码值转UTF-8编码规则之一（字节数转换）

•1个字节：Unicode码为0 - 127
•2个字节：Unicode码为128 - 2047
•3个字节：Unicode码为2048 - 0xFFFF
•4个字节：Unicode码为65536 - 0x1FFFFF
•5个字节：Unicode码为0x200000 - 0x3FFFFFF
•6个字节：Unicode码为0x4000000 - 0x7FFFFFFF

Unicode码值转UTF-8编码规则之二（二进制补码）

对应上面规则一字节数转换后，具体的补位码如下,"x"表示空位，用来补位的，补不全则使用0。

可以看到规律，第一个字节前面有多少个1就表示占用多少个字节，红色颜色位固定不变。（0-127的值直接使用0表示占用1个字节）

•1个字节：xxxxxxx
•2个字节：xxxxx xxxxxx
•3个字节：xxxx xxxxxx xxxxxx
•4个字节：xxx xxxxxx xxxxxx xxxxxx
•5个字节：xx xxxxxx xxxxxx xxxxxx xxxxxx
•6个字节：x xxxxxx xxxxxx xxxxxx xxxxxx xxxxxx

③使用UTF-8编码字符A

•字节数转换：字符A的Unicode码值为65，位于0-127的区间，所以占1个字节，其二进制值为（7位）

•补码：使用1个字节xxxxxxx格式进行补码（7个x），将上面的7位二进制值从右到左填到7个x中，得到（8位）

得到字符A的UTF-8编码为01000001（8位）

④使用UTF-8编码中文字符“中”

•字节数转换：中文字符“中”的Unicode码值为20013，位于2048-0xFFFF的区间，所以占3个字节，其二进制值为1001110 00101101（15位）

•补码：使用3个字节xxxx xxxxxx xxxxxx格式进行补码（16个x），将上面的15位二进制值从右到左填到16个x中（不足位则将x变为0），得到0

得到中文字符“中的”UTF-8编码位11100100 10111000 10101101（24位）

3.大小端字节序（big-endian/little-endian）

①字节序表示在内存/文件中字节的保存顺序，由于硬件读写顺序的不同，导致出现了大端和小端两种方式。

大端：数据的高字节保存在内存的低地址中，低字节保存到内存的地址中，和我们的阅读习惯一致；小端则相反，常用的X86结构是小端模式。

采用大端方式进行数据存放符合人类的正常思维，而采用小端方式进行数据存放利于计算机处理。

②UTF-8编码不存在字节序大小端问题！（因为字节序只影响同时处理多于两个字节的编码方式，比如UTF-16/UTF-32，而UTF-8是按照单字节进行处理的）

UTF-8的解码都必须先读取首字节获取字节数，所以必须找到首字节的第一位要么是，要么是////1111110，所以上面的“中”字，无论是保存为11100100 10111000 10101101还是10101101 10111000 11100100，都必须要先找到11100100这个字节，所以UTF-8从机制上就能避免字节序的问题。

③UTF-16/UTF-32存在字节序问题（UTF-16常用情况下一次处理2个字节/UTF-32一次处理4个字节）！一个“奎”的Unicode码值是0x594E，“乙”的Unicode码值是0x4E59。如果我们的UTF-16字节数据是0x594E，那么这是“奎”还是“乙”？如果大端序，0x594E是“奎”，如果是小端序，0x4E59，是“乙”。

4.BOM（Byte Order Mark）

①为了保证编码和解码字节顺序问题（因为只有保证编码和解码的规则一致才能保证是同一个字符），所以Unicode规范中推荐的标记字节顺序的方法是BOM（Byte Order Mark）。

②UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。根据BOM的规则，在一段字节流开始时，如果接收到以下字节，则分别表明了该文本文件的编码。

UTF-8: EF BB BF

UTF-16 : FF FE

UTF-16 big-endian: FE FF

UTF-32 little-endian: FF FE 00 00

UTF-32 big-endian: 00 00 FE FF

而如果不是以这个开头，那程序则会以ANSI，也就是系统默认编码读取。

如同样是字符“A”﹐在以下几种格式中的存储形式分别是﹕

UTF-16 big-endian : 00 41

UTF-16 little-endian : 41 00

UTF-32 big-endian : 00 00 00 41

UTF-32 little-endian : 41 00 00 00

参考资料：

《为什么utf-8没有字节序问题？》

《UTF的字节序和BOM》

《通过javascript进行UTF-8编码的实现方法》

以上。