1.Unicode字符集
Unicode（统一码、万国码、单一码）包括字符集、编码方案（UTF-8、UTF-16、UTF-32），它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。(末尾附unicode编码范围表)
2.UTF-8编码
变长编码，其特点如下：
- 兼容 ASCII
- 没有字节序问题
- 以英文和西文符号比较多的场景下（例如 HTML/XML），编码较短
- 容错性高，局部的字节错误（丢失、增加、改变）不会导致连锁性的错误。
- 中日韩人民不得不忍受 3 字节 1 个字符。
Unicode到UTF-8的编码方式如下：
| Unicode编码(十六进制) | UTF-8 字节流(二进制) |
|---|---|
| 000000-00007F | 0xxxxxxx |
| 000080-0007FF | 110xxxxx 10xxxxxx |
| 000800-00FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
| 010000-10FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
在从utf-8解码成Unicode时，在尝试解析输入流时碰到了畸形的数据，单个字节会被替换为一个Unicode U+FFFD。
3.UTF-32编码
定长编码，32位无符号表示一个字符，Unicode编码的二进制数就是其编码结果。特点：
- 何字符都用 4 字节，索引较快。（找第几个字符时，不需要从头开始）
- 编解码方便，Unicode对应的32位二进制数就是其编码。
- 占用存储空间大
- 有字节序(BOM)问题
4.UTF-16
介于定长编码和变长编码之间，在0x0000 - 0xFFFF（BMP平面）区间，用两个字节表示，直接将Unicode转为16位二进制数就是其编码。当超出这个范围在编码时会将其拆分成两个unicode码（分别位于D800－DB7F和DC00 - DFFF），分别对应一个字符。
编码过程：
（1）0x0000 - 0xFFFF（1个word）
直接将Unicode转为二进制，得到两个字节，就是其UTF-16编码。
（2）0x10000 - 0x10FFFF(2个word)：
在这一区间内，需要拆分成一个位于D800－DB7F区间的高位替代码和一个位于DC00 - DFFF低位替代码，过程如下：
对Unicode码进行处理，U’ = U - 0x10000，U’对应二进制:yyyy yyyy yyxx xxxx xxxx。
分别得到两个处于BMP平面编码：110110yyyyyyyyyy(高位替代码)和110111xxxxxxxxxx(低位替代码)，对应两个word.。
解码过程：
每次读取两个字节，如果当前字符不属于高位替代码（D800－DB7F）范围，则为单字符，其二进制数对应的16进制数就是Unicode码。
反之当前字符位于高位替代码范围，读取下一字符，判断其是否属于低位代替码范围，如果是则两个字符解码为一个Unicod码。过程如下：
两个字符分别取其二进制后10位yyyyyyyyyy和xxxxxxxxxx得到U’ = yyyyyyyyyyxxxxxxxxxx，U = U’ + 0x10000。
特点：
- 对于0000 - FFFF区间6万多字符，都用2个字节表示，简直中日韩福音（对于英文有点浪费）。
- 对于常用字节编码解码方便。（jvm内部对字符串就是UTF-16编码）
- 有字节序(BOM)问题
5.附
