Unicode 概念
Note
Unicode 是国际标准字符集，它将世界各种语言的每个字符定义一个唯一的编码，以满足跨语言、跨平台的文本信息转换。
现在的规模可以容纳 100 多万个符号，位置靠前的字符用一个字节就能存储，位置靠后的字符用三个字节才能存储。
它从 0 开始，为每个符号指定一个编号，这叫做 “码点”（code point），比如码点
0(U+0000)的符号就是null，码点24179(U+5e73)的符号就是平。U+ 表示紧跟在后面的十六进制数是Unicode 的码点。例如
U+0000表示null，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字严。具体的符号对应表，可以查询 unicode.org，或者专门的 汉字对应表。或者直接 在线查看完整的 Unicode 字符集
这里比较重要的概念是码点，
为了在计算机中处理字符集，必须把字符集数字化，就是给字符集中的每一个字符一个编号，计算机程序中要用字符，直接用这个编号就可以了。于是就出现了编码后的字符集，叫做编码字符集 (Coded Code Set)。编码字符集中每一个字符都和一个编号对应。那么这个编号就是代码点（Code Point）。
所以码点就是对应字符集的一个编号。
对于 Unicode 来讲，码点就是 【十六进制数】，比如 U+0041, 0041 = 4*16+1*1=65
Unicode 诞生背景
- ASCII 编码，最多可以表示 256 个符号（单字节=8bit）。英语用 128 个符号编码就够了，但是用来表示其他语言，128 个符号是不够的。
- 对于有些国家需要使用的符号就更多，汉字就多达 10 万左右。一个字节只能表示 256 种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 GB2312，使用
两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。- ASCII 码，由于不同国家存在着不同编码方式，同一个二进制数字可以被解释成不同的符号 (ASCII 码 128–255 符号)。如果用错误的编码方式解读文本文件，就会出现乱码。
Unicode 实现方式
UTF 是 Unicode Transformation Format 的缩写，意思是“Unicode 转换格式”，后面的数字表明至少使用多少个比特位（Bit）来存储字符。
Unicode 可以使用的编码有三种，分别是：
- UTF-8：一种变长的编码方案，使用 1~4 个字节来存储；
- UTF-16：介于 UTF-8 和 UTF-32 之间，使用 2 个或者 4 个字节来存储，长度既固定又可变。
- UTF-32：一种固定长度的编码方案，不管字符编号大小，始终使用 4 个字节来存储；
UTF-8
UTF-8 的编码规则很简单：
- 如果只有 1 个字节，字节的第一位设为
0，后面 7 位为这个符号的 Unicode 码，这和 ASCII 编码完全一样，因此 UTF-8 是兼容 ASCII 的； - 对于
n字节的符号（n > 1），第一个字节的前n位都设为1，第n + 1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。
| 编号范围 (十六进制) | UTF-8 编码方式（二进制） | 字节 |
|---|---|---|
| 0x0000 - 0x007F | 0xxxxxxx | 1 |
| 0x0080 - 0x07FF | 110xxxxx 10xxxxxx | 2 |
| 0x0800 - 0xFFFF | 1110xxxx 10xxxxxx 10xxxxxx | 3 |
| 0x010000 - 0x10FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx4 | 4 |
下面，还是以汉字 严 为例，演示如何实现 UTF-8 编码。
严 的 Unicode 是 4E25（100111000100101），根据上表，可以发现 4E25 处在第三行的范围内（0000 0800 - 0000 FFFF），因此 严 的 UTF-8 编码需要三个字节，即格式是 1110xxxx 10xxxxxx 10xxxxxx。然后，从 严 的最后一个二进制位开始，依次从后向前填入格式中的 x，多出的位补 0。这样就得到了，严 的 UTF-8 编码是 11100100 10111000 10100101，转换成十六进制就是 E4B8A5。
补充
一个 char 是 2 字节