ASCII碼
在計算機內部，所有的信息最終都表示爲一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，做了統一規定。這被稱爲ASCII碼，一直沿用至今。
ASCII碼一共規定了128個字符的編碼（0 000 0000–0 111 1111），比如空格”SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。
非ASCII編碼
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼錶示。於是，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。比如，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。
但是，這裏又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0–127表示的符號是一樣的，不一樣的只是128–255的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。
中文編碼的問題需要專文討論，這篇筆記不涉及。這裏只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。
3.Unicode（統一碼、萬國碼、單一碼）
最初的unicode編碼是固定長度的，16位，也就是2兩個字節代表一個字符，這樣一共可以表示65536個字符。顯然，這樣要表示各種語言中所有的字符是遠遠不夠的。Unicode4.0規範考慮到了這種情況，定義了一組附加字符編碼，附加字符編碼採用2個16位來表示，這樣最多可以定義1048576個附加字符，目前unicode4.0只定義了45960個附加字符。
Unicode只是一個編碼規範，目前實際實現的unicode編碼只要有三種：UTF-8,UCS-2和UTF-16，三種unicode字符集之間可以按照規範進行轉換。
正如上面所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。爲什麼電子郵件常常出現亂碼？就是因爲發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字”嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。
4. Unicode的問題
需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。
比如，漢字”嚴”的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。
這裏就有兩個嚴重的問題，
第一個問題是
如何才能區別Unicode和ASCII？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？
第二個問題是
我們已經知道，英文字母只用一個字節表示就夠了，如果Unicode統一規定，每個符號用三個或四個字節表示，那麼每個英文字母前都必然有二到三個字節是0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：
1）出現了Unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示Unicode。
2）Unicode在很長一段時間內無法推廣，直到互聯網的出現。
5.UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種Unicode的實現方式。其他實現方式還包括UTF-16（字符用兩個字節或四個字節表示）和UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~6個字節表示一個符號，根據不同的符號而變化字節長度。
Unicode編碼長度是固定的，無論是數字、英文還是火星文。所以Unicode編碼有點浪費空間。UTF8是針對unicode的空間浪費現象，它對字符的長度是動態的。
UTF-8的編碼規則很簡單，只有二條：
1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一律設爲10。剩下的沒有提及的二進制位，全部爲這個符號的unicode碼。
Unicode符號範圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+--------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx- 1
- 2
- 3
- 4
- 5
- 6
- 7
跟據上表，解讀UTF-8編碼非常簡單。如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符佔用多少個字節。
下面，還是以漢字”嚴”爲例，演示如何實現UTF-8編碼。
已知”嚴”的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），因此”嚴”的UTF-8編碼需要三個字節，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然後，從”嚴”的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，”嚴”的UTF-8編碼是”11100100 10111000 10100101”，轉換成十六進制就是E4B8A5。
關於UTF-8，漢字佔幾個字節的問題
佔2個字節的：〇
（〇有兩個讀音 xīng líng（一） xīng 同“星”。唐武則天所造字，（二） líng 同“零”。）
佔3個字節的：基本等同於GBK，含21000多個漢字
佔4個字節的：中日韓超大字符集裏面的漢字，有5萬多個
一個utf8數字佔1個字節
一個utf8英文字母佔1個字節
在查找 UTF-8 編碼資料時發現，很多的帖子說的 UTF-8 編碼裏，一個漢字佔用3個字節，有的還做了個證明，大概是這樣的，創建一個沒有BOM的UTF-8編碼的文本文件，裏面保存了幾個漢字，然後查看文件的大小。我覺得這樣的證明沒有一點說服力，因爲 UTF-8 是變長的，1-6個字節，少量的漢字檢測是不能說明所有的漢字都是的。
後來我又查看了字符映射表－漢語，找到了正確的答案，少數是漢字每個佔用3個字節，多數佔用4個字節。
佔用3個字節的範圍 合計： 52156 個
U+2E80 - U+2EF3 : 0xE2 0xBA 0x80 - 0xE2 0xBB 0xB3 共 115 個
U+2F00 - U+2FD5 : 0xE2 0xBC 0x80 - 0xE2 0xBF 0x95 共 213 個
U+3005 - U+3029 : 0xE3 0x80 0x85 - 0xE3 0x80 0xA9 共 36 個
U+3038 - U+4DB5 : 0xE3 0x80 0xB8 - 0xE4 0xB6 0xB5 共 7549 個
U+4E00 - U+FA6A : 0xE4 0xB8 0x80 - 0xEF 0xA9 0xAA 共 44138 個
U+FA70 - U+FAD9 : 0xEF 0xA9 0xB0 - 0xEF 0xAB 0x99 共 105 個- 1
- 2
- 3
- 4
- 5
- 6
佔用4個字節的範圍 合計： 64029 個
U+20000 - U+2FA1D : 0xF0 0xA0 0x80 0x80 - 0xF0 0xAF 0xA8 0x9D 共 64029 個- 1
中日韓超大字符集裏面的漢字佔用4個字節,但是這些文字很少使用,雖然3個字節的5w多個,4個字節的6w多個,但我估計平常應用中,恐怕,99.9%佔用三個字節,後面四個字節的中日韓超大字符集幾乎沒人用
6. Unicode與UTF-8之間的轉換
通過上一節的例子，可以看到”嚴”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程序實現。
在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件後，點擊”文件”菜單中的”另存爲”命令，會跳出一個對話框，在最底部有一個”編碼”的下拉條。
裏面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會採用Big5碼）。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。這個選項用的little endian格式。
3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完”編碼方式”後，點擊”保存”按鈕，文件的編碼方式就立刻轉換好了。
7. Little endian和Big endian
上一節已經提到，Unicode碼可以採用UCS-2格式直接存儲。以漢字”嚴”爲例，Unicode碼是4E25，需要用兩個字節存儲，一個字節是4E，另一個字節是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。
這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。在該書中，小人國裏爆發了內戰，戰爭起因是人們爭論，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。爲了這件事情，前後爆發了六次戰爭，一個皇帝送了命，另一個皇帝丟了王位。
因此，第一個字節在前，就是”大頭方式”（Big endian），第二個字節在前就是”小頭方式”（Little endian）。
那麼很自然的，就會出現一個問題：計算機怎麼知道某一個文件到底採用哪一種方式編碼？
Unicode規範中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格”（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節，而且FF比FE大1。
如果一個文本文件的頭兩個字節是FE FF，就表示該文件採用大頭方式；如果頭兩個字節是FF FE，就表示該文件採用小頭方式。
漢字編碼中現在主要用到的有三類，包括GBK，GB2312和Big5。
1、GB2312又稱國標碼，由國家標準總局發佈，1981年5月1日實施，通行於大陸。新加坡等地也使用此編碼。它是一個簡化字的編碼規範，當然也包括其他的符號、字母、日文假名等，共7445個圖形字符，其中漢字佔6763個。我們平時說6768個漢字，實際上裏邊有5個編碼爲空白，所以總共有6763個漢字。
GB2312規定“對任意一個圖形字符都採用兩個字節表示，每個字節均採用七位編碼表示”，習慣上稱第一個字節爲“高字節”，第二個字節爲“低字節”。GB2312中漢字的編碼範圍爲，第一字節0xB0-0xF7(對應十進 製爲176-247)，第二個字節0xA0-0xFE（對應十進制爲160-254）。
GB2312將代碼表分爲94個區，對應第一字節（0xa1-0xfe）；每個區94個位（0xa1-0xfe），對應第二字節，兩個字節的值分別爲區號值和位號值加32（2OH），因此也稱爲區位碼。01-09區爲符號、數字區，16-87區爲漢字區（0xb0-0xf7），10-15區、88-94區是有待進一步標準化的空白區。
2、Big5又稱大五碼，主要爲香港與臺灣使用，即是一個繁體字編碼。每個漢字由兩個字節構成，第一個字節的範圍從0X81－0XFE（即129-255），共126種。第二個字節的範圍不連續，分別爲0X40－0X7E（即64-126），0XA1－0XFE（即161-254），共157種。
3、GBK是GB2312的擴展，是向上兼容的，因此GB2312中的漢字的編碼與GBK中漢字的相同。另外，GBK中還包含繁體字的編碼，它與Big5編碼之間的關係我還沒有弄明白，好像是不一致的。GBK中每個漢字仍然包含兩個字節，第一個字節的範圍是0x81-0xFE（即129-254），第二個字節的範圍是0x40-0xFE（即64-254）。GBK中有碼位23940個，包含漢字21003個。
看了這麼多，好亂啊，推薦這一篇博客：Java一個漢字佔幾個字節（詳解與原理）
http://www.cnblogs.com/God-/p/6006749.html
參考1：http://blog.csdn.net/chummyhe89/article/details/7777613
參考2：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html