很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为"字节"。
再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为"计算机"。
开始，计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。
他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一旦终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上 00x10, 终端就换行，遇上0x07, 终端就向人们嘟嘟叫，例如遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0x20以下的字节状态称为"控制码"。
他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉很好，于是大家都把这个方案叫做 ANSI 的"ASCII"编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
后来，就像建造巴比伦塔一样，世界各地的都开始使用计算机，但是很多国家用的不是英文，他们的字母里有许多是ASCII里没有的，为了可以在计算机保存他们的文字，他们决定采用127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128到255这一页的字符集被称"扩展字符集"。从此之后，贪婪的人类再没有新的状态可以用了，美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧！
等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民，我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的"全角"字符，而原来在127号以下的那些就叫"半角"字符了。
中国人民看到这样很不错，于是就把这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。
但是中国的汉字太多了，我们很快就发现有许多人的人名没有办法在这里打出来，特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。
后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。
后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK 扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。
中国的程序员们看到这一系列汉字编码的标准是好的，于是通称他们叫做 "DBCS"（Double Byte Charecter Set 双字节字符集）。在DBCS系列标准里，最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里，因此他们写的程序为了支持中文处理，必须要注意字串里的每一个字节的值，如果这个值是大于127的，那么就认为是一个双字节字符集里的字符出现了。那时候凡是会编程的计算机僧侣们都要每天念下面这个咒语数百遍：
"一个汉字算两个英文字符！一个汉字算两个英文字符......"
因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码，连大陆和台湾这样只相隔了150海里，使用着同一种语言的兄弟地区，也分别采用了不同的 DBCS 编码方案。当时的中国人想让电脑显示汉字，就必须装上一个"汉字系统"，专门用来处理汉字的显示、输入的问题，但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么"倚天汉字系统"才可以用，装错了字符系统，显示就会乱了套！这怎么办？而且世界民族之林中还有那些一时用不上电脑的穷苦人民，他们的文字又怎么办？
真是计算机的巴比伦塔命题啊！
正在这时，大天使加百列及时出现了：一个叫 ISO （国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码！他们打算叫它"Universal Multiple-Octet Coded Character Set"，简称 UCS, 俗称 "UNICODE"。
UNICODE 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于ASCII里的那些"半角"字符，UNICODE 包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位，所以其高 8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
这时候，从旧社会里走过来的程序员开始发现一个奇怪的现象：他们的strlen函数靠不住了，一个汉字不再是相当于两个字符了，而是一个！是的，从 UNICODE 开始，无论是半角的英文字母，还是全角的汉字，它们都是统一的"一个字符"！同时，也都是统一的"两个字节"。请注意"字符"和"字节"两个术语的不同，"字节"是一个8位的物理存贮单元，而"字符"则是一个文化相关的符号。在UNICODE 中，一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。
从前多种字符集存在时，那些做多语言软件的公司遇上过很大麻烦，他们为了在不同的国家销售同一套软件，就不得不在区域化软件时也加持那个双字节字符集咒语，不仅要处处小心不要搞错，还要把软件中的文字在不同的字符集中转来转去。UNICODE 对于他们来说是一个很好的一揽子解决方案，于是从 Windows NT 开始，MS 趁机把它们的操作系统改了一遍，把所有的核心代码都改成了用 UNICODE 方式工作的版本，从这时开始，WINDOWS 系统终于无需加装各种本土语言系统，就可以显示全世界上所有文化的字符了。
但是，UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容，这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的，没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换，这种转换必须通过查表来进行。
如前所述，UNICODE 是用两个字节来表示为一个字符，他总共可以组合出65535不同的字符，这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系，ISO已经准备了UCS-4方案，说简单了就是四个字节来表示一个字符，这样我们就可以组合出21亿个不同的字符出来（最高位有其他用途），这大概可以用到银河联邦成立那一天吧！
UNICODE 来到时，一起到来的还有计算机网络的兴起，UNICODE 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF8就是每次8个位传输数据，而UTF16就是每次16个位，只不过为了传输时的可靠性，从UNICODE到 UTF时并不是直接的对应，而是要经过一些算法和规则来转换。
受到过网络编程加持的计算机僧侣们都知道，在网络里传递信息时有一个很重要的问题，就是对于数据高低位的解读方式，一些计算机是采用低位先发送的方法，例如我们PC机采用的 INTEL 架构，而另一些是采用高位先发送的方式，在网络中交换数据时，为了核对双方对于高低位的认识是否是一致的，采用了一种很简便的方法，就是在文本流的开始时向对方发送一个标志符。如果之后的文本是高位在先，那就发送"FEFF"，反之，则发送"FFFE"。不信你可以用二进制方式打开一个UTF-X格式的文件，看看开头两个字节是不是这两个字节？
讲到这里，我们再顺便说说一个很著名的奇怪现象：当你在 windows 的记事本里新建一个文件，输入"联通"两个字之后，保存，关闭，然后再次打开，你会发现这两个字已经消失了，代之的是几个乱码！呵呵，有人说这就是联通之所以拼不过移动的原因。
其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。
从网上引来一段从UNICODE到UTF8的转换规则：
|
Unicode |
UTF-8 |
|
0000 - 007F |
0xxxxxxx |
|
0080 - 07FF |
110xxxxx 10xxxxxx |
|
0800 - FFFF |
1110xxxx 10xxxxxx 10xxxxxx |
例如："汉"字的Unicode编码是6C49。 6C49在0800-FFFF之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 1100 0100 1001，将这个比特流按照三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，这就是其UTF8的编码。
而当你新建一个文本文件时，记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字，那么它实际就是GB系列(简体中文系列)的编码方式，在这种编码下，"联通"的内码是：
“联”字的内码是：c1aa
c1 （1100 0001）
aa （1010 1010）
“通”字的内码是：cda8
cd （1100 1101）
a8 （1010 1000）
注意到了吗？第一二个字节、第三四个字节的起始部分的都是"110"和"10"，正好与UTF8规则里的两字节模板是一致的，于是再次打开记事本时，记事本就误认为这是一个UTF8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得到了"00001 101010"，再把各位对齐，补上前导的0，就得到了"0000 0000 0110 1010"，不好意思，这是UNICODE的006A，也就是小写的字母"j"，而之后的两字节用UTF8解码之后是0368，这个字符什么也不是。这就是只有"联通"两个字的文件没有办法在记事本里正常显示的原因。
而如果你在"联通"之后多输入几个字，其他的字的编码不见得又恰好是110和10开始的字节，这样再次打开时，记事本就不会坚持这是一个utf8编码的文件，而会用ANSI的方式解读之，这时乱码又不出现了。
写程序的人基本上都会遇到乱码的问题，之前自己对字符集、编码等问题也是一知半解，大概明白什么意思，但却说不清楚。由于公司需要做多语言，于是研究了一下，终于把字符集和编码等问题弄明白了。
ascii、GB2312、GBK、unicode、utf-8、utf-16、ucs2、ucs4......，对于很多人来说这些东西都是比较模糊的（以前的我也是），字符集编码问题不理解透彻，很难说清楚他们之间的关系。下面就从头开始把这些概念整理一下，希望对大家有帮助，自己也总结一下。
计算机只认识0和1，因此世界上的任何符号在计算机中都必须转换成0和1来表示，所谓字符集就是一个字符对应到数字编码的对应表。于是最先有了ascii 码，它是用一个字节（8位）来表示字符。ascii的第一个bit永远是0，因此ascii码最多能表示128个字符（2的7次方）。英语大小写字母共 52个字母，加上数字和一些控制符号（如回车、tab等），128也够用了。
但随着计算机的普及，除了英语以外的其他语言（如中文）使用ascii码就不行了。于是每个国家都为自己的语言定义了一套字符集，以中文为例，有了 gb2312、big5等字符集。gb2312中收录了7000多个常用的简体中文字符，而big5为台湾用的繁体中文。gb2312和big5等字符集都是用两个字节来保存的，因为一个字节只能表示128个字符。新的字符集出来，程序问题也相应的出来了，以前的程序处理字符都是1个1个字节的处理字符，而新的字符集要求两个两个的处理字符，那我们的程序到底是该一个一个字节读取还是两个两个字节的读取呢？很快人们发现ascii码都是以0开头，那么新的字符集都用1开头问题就解决了。程序读到以0开头的字节就一个字节一个字节的读字符，遇到1开头的字节就两个两个字节的开始读。因此gb2312、 big5等字符集和ascii是兼容的。
gb2312只收录了7000多个字符，并没有收录所有的中文字符，因此在1995年和2000年，我国先后推出了gbk1.0和gb18030。 gb18030收录了所有的中文字符，包括少数民族的文字。到此我们有了一个中文字符集的发展线路：ascii -> gb2312 -> gbk1.0 -> gb18030 他们是由小到大的，并且是向下兼容的。到此中文的问题解决了，似乎一切都OK了。
但世界上如此多的国家，每个国家都有一套自己的字符集，这样太乱了，于是老大哥ISO开始推出统一全世界字符的字符集了——unicode（也称 UCS）。unicode占用4个字节，总共可以收录2147483648个字符，这足以涵盖地球上所有用到的字符了。但一个字符4个字节相当的浪费资源，特别是在网络传输时。于是unicode推出了2个标准，分别是UCS-2和UCS-4。
USC-2用2个字节保存字符，其包含了西欧和亚洲绝大多数国家的字符，常用unicode采用USC-2。USC-4用4个字节保存字符，这种基本上很少用到，因为太浪费资源。
UTF-8、UTF-16是unicode的编码格式，这里需要搞清楚字符集和编码格式的区别。字符集是一个字符和数字的对应表，表示每一个字符对应的数字，而编码是指这些字符对应的数字在计算机中如何保存。比如，字符“中”对应的unicode码为4E2D，但在计算机中保存时不一定就是4E2D。（注意，此处写的是不一定）
先说简单的UTF-16，UTF-16用固定两个字节对unicode进行编码，因此UTF-16编码就等于unicode码。例如，字符“中”对应 UTF-16编码为4E2D。这中间又必须考虑字节序的问题，因为不同的平台对于字节序的处理方式不一样，有的是高位在前低位在后，而有的正好相反。因此，字符“中”的UTF-16有两种编码方式，分别是4E2D和2D4E。那程序如何知道是哪种呢？于是有了BOM( Bill Of Material)，简单点说就是在文件最前面加一个标记（占2个字节，其实也是一个unicode字符）来表示高位在前还是低位在前。如果文件最前面是 FEFF则表示高位在前，又叫Big-Endian，如果是FFFE则表示低位在前，又叫Little-Endian。
UTF-8比较麻烦一点，他是编码是变长的，也就是说不是使用固定的两个字节来进行编码。对于0-127的字符采用0XXXXXXX的形式保存（1个字节），128-2047采用110XXXXX 10XXXXXX的形式保存（两个字节），2048-65535采用1110XXXX 10XXXXXX 10XXXXXX（三个字节）的形式保存。举例来说，字符“中”对应的unicode码为4E2D（0100111000101101）也就是 20013，在2048-65535之间，因此“中”的UTF-8编码为11100100 10 111000 10101101。对于UTF-8编码来说，程序读到0开头的字节表示只需要读一个字节，遇到110开头的表示需要读取两个字节，而读到1110开头的表示要读取三个字节。因此对于有大量英文字符的文档而言，使用UTF-8编码可以节约大量磁盘空间。UTF-8是不需要BOM的，因为它是单个字节处理的，但也可以为UTF-8文件加上BOM。为UTF-8加上BOM后，在文件头会多出3个字节，为 EF BB BF，它就是FEFF对应的UTF-8编码。
OK，总结一下吧，ascii、gb2312、gbk、big5、unicode都称为字符集，而UTF-8、UTF-16叫做编码方式（其实 gb2312也有其编码方式，此文暂不讨论）。一般情况下，尽量使用UTF-8编码方式，因为它即通用又能很好的节约空间。
我们可以做一些实验检验一下上文所述内容，下面是我检验的结果，大家可以对照一下：
| 文本内容 | 文本格式 | 占用空间大小 |
| a | ascii | 1字节 |
| a | unicode | 4字节 （FFFE + a字母） |
| a | unicode big endian | 4字节 （FEFF + a字母） |
| a | utf-8 | 1字节 |
| a | utf-8+ | 4字节 （EFBBBF + a字母） |
| 中 | ascii | 2字节 |
| 中 | unicode |
4字节 |
| 中 | unicode big endian | 4字节 |
| 中 | utf-8 | 3字节 |
| 中 | utf-8+ | 6字节 |
转自：
http://www.cnblogs.com/xugang/archive/2010/05/08/1730451.html
http://www.cnblogs.com/xugang/archive/2010/04/07/1706232.html