字符编码简单术语解释
以下的内容全部来源于维基百科中文版中的摘抄
字符编码（character encoding），字符映射（character map），字符集（character set）或者代码页，在历史上是同义概念。也就是字符表（repertoire）中的字符如何编码为码元的流——通常是每个字符对应单个码元。
码元
英文名称（Code Unit, 也称“代码单元”），是指一个已编码的文本中具有最短的比特组合的单元。例如：UTF-8的码元是8比特长；UTF-16的码元是16比特长；UTF-32的码元是32比特长；
抽象字符表（Abstract character repertoire）
一个系统支持的所有抽象字符的集合。
编码字符集（CCS:Coded Character Set）
将字符集中每个字符映射到一个整数值的坐标（x, y）或者表示为一个非负整数（N）。字符集及码位映射称为编码字符集。
编码空间（encoding space）
包含所有字符的表的维度。可以用一对整数或者一个整数来描述。
码位（code point）
编码空间中的一个位置称为码位。
码位值（code point value）
一个字符所占用的码位称为码位值。
字符编码表（CEF:Character Encoding Form）
也称为"storage format"，将编码字符集的非负整数值（抽象的码位）转换成有限比特长度的整型值（码元）的序列。
字符编码方案（CES:Character Encoding Scheme）
也称作“serialization format”。将定长的整型值（码元）映射到8位字节序列，以便编码后的数据的文件存储或者网络传输。
传输编码语法（transfer encoding syntax）
用于处理上一层次的字符编码方案提供的字节序列。一般其功能包括两种：一是吧字节序列的值映射到一套更受限制的值域内，以满足传输环境的限制；另一种是压缩字节序列的值。
参考：
Unicode编码
中文称万国码、国际码、统一码、单一码，是计算机科学领域的业界标准。
在文字处理方面，统一码为每一个字符而非字形定义唯一的代码（即一个整数，也就是码元）。统一码以一种抽象的方式（即数字）来处理字符，并将视觉上的演绎工作（例如字体大小、外观形状、字体形态、文体等）留给其他软件来处理，例如浏览器或文字处理器。
在表示一个Unicode的字符时，通常会用 “U+” 然后紧接着一组十六进制的数字来表示一个字符。在基本多文种平面（英语: Basic Multilingual Plane, 简写 BMP。又称为 “零号平面”、plane 0）里的所有字符，要用四个数字（2个字节，共16比特，共支持6万多个字符，例如 U+4AE0）；在零号平面以外的字符则需要使用五或六个数字。在Unicode 3.0里使用“U-”然后紧接着八个数字，而“U+”则必须随后紧接着四个数字。
Unicode的编码和实现
大概来说，Unicode编码系统可分为编码方式和实现方式两个层次。
编码方式
目前实际应用的统一码版本对应于 UCS-2，使用16比特长（位）的编码空间。也就是每个字符占用2个字节。这样理论上一共最多可以表示2^16（即65536）个字符。基本满足各种语言的使用。实际上当前版本的统一码并未完全使用这16位编码，而是保留了大量空间以作为特殊使用或将来扩展。
上述的16位统一码字符构成基本多文种平面。最新（但未实际广泛使用）的统一码版本定义了16个辅助平面，两者合起来至少需要占据21位的编码空间。但事实上辅助平面字符仍然占用4个字节编码空间，与 UCS-4 保持一致。UCS-4是更大而尚未填充完全的31位字符集，加上恒为0的首位，共需占据32位，即4字节。
基本多文种平面的字符的编码位 U+hhhh，其中每个h代表一个十六进制数字，与 UCS-2 编码完全相同。而其对应的4字节 UCS-4 编码后两个字节一致，前两个字节则所有位均为0。
UCS-2 是代表16比特长（2个字节）的固定长度的编码；UCS-4是代表32比特长（4个字节）的固定长度的编码。
实现方式
Unicode的实现方式不同于编码方式。一个字符的Unicode编码确定。但是再实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。
Unicode的实现方式称为Unicode转换格式（Unicode Transformation Format, 简称为 UTF）
节省空间
如果一个仅包含基本7位 ASCII 字符的Unicode文件，如果每个字符都是用2个字节的原 Unicode 编码传输，其第一字节的8位始终为 0。这样就会造成比较大的浪费空间。所以对于这种情况，可以使用 UTF-8 编码，这是变长编码，它将基本7位的 ASCII 字符仍用7位编码（一个字节，首位补 0）表示，而如果遇到与其他 Unicode 字符混合的情况，将按一定算法转换，每个字符使用 1-3个字节编码，并利用首位为 0 或 1 识别。
字节顺序的理解不一致
如果直接使用与 Unicode 编码一致的 UTF-16 编码，由于每个字符占用了两个字节，在Mac机和个人电脑上，对字节顺序的理解不一致。这时同一字节流可能会解释为不同内容。如某字符的十六进制编码 4W59，按照 2 个字节拆分为 4E 和 59，在 Mac上读取时是从低字节开始，那么在 Mac OS 会认为此 4E59 编码为 594E，找到的字符为 “奎”， 而在 Windows 上从高字节开始读取，则编码为 U+4E59 的字符为 “乙”。那么 Windows 在 UTF-16 编码上保存的字符是 “乙”。所以在不同电脑上就可能发生混淆
为了解决这种问题，于是在 UTF-16 编码实现方式中使用了 大端序（Big-Endian, 简写为 UTF-16 BE）、小端序（Little-Endian, 简写为 UTF-16 LE）的概念，以及可附加的字节顺序记号解决方案。
除了上面的编码外，Unicode的实现方式还包括UTF-7、CESU-8、UTF-32、GB18030等。目前通用的实现方式是UTF-16小端序（LE）、UTF-16大端序（BE）和UTF-8。
参考：
UTF-8
UTF-8（8-bit Unicode Transformation Format）是一种针对 Unicode 的可变长度字符编码，也是一种前缀码。它可以用一至四个字节对Unicode字符集中的所有有效编码点进行编码，属于 Unicode 标准的一部分。
UTF-8使用一至六个字节为每个字符编码（尽管如此，2003年11月UTF-8被RFC 3629重新规范，只能使用原来Unicode定义的区域，U+0000到U+10FFFF，也就是说最多四个字节）
128个US-ASCII字符只需一个字节编码（Unicode范围由U+0000至U+007F）。
带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要两个字节编码（Unicode范围由U+0080至U+07FF）。
其他基本多文种平面（BMP）中的字符（这包含了大部分常用字，如大部分的汉字）使用三个字节编码（Unicode范围由U+0800至U+FFFF）。
其他极少使用的Unicode 辅助平面的字符使用四至六字节编码（Unicode范围由U+10000至U+1FFFFF使用四字节，Unicode范围由U+200000至U+3FFFFFF使用五字节，Unicode范围由U+4000000至U+7FFFFFFF使用六字节）。
详细的编码实现请阅读下面的链接 🔽
参考：
😃😄
