同时发布于 https://www.zhihu.com/question/23374078/answer/1940110162
Unicode是一种为字符分配编号的方案，一个字符的Unicode编号（又称为码点）是一个数字，通常用十六进制表示，取值范围是0到10FFFF（转换成十进制就是0到1114111）。
比如，“虎”字的Unicode码点为“864E”，通常写作“U+864E”，也就是十进制的34382。
所以，当有人说“U+864E”时，他就是在说“虎”字。当有人说“Unicode码点34382”时，他也是在说“虎”字。
但如果对方说的是“U+1F405”或者“Unicode码点128005”，那就不再是“虎”字，而是虎的emoji图案?。
看了上面的陈述，我们可以明确一点：当我们说“Unicode”的时候，我们说的是一种为字符编号的方式。一个特定字符有且只有一个Unicode编号（或者称为码点），但是怎么表达和存储这个编号，则不在Unicode的规范之内。
比如，人们可能会使用Unicode推荐的十六进制表示法，表示成“U+864E”。人们也可以使用十进制表示法，表示成“34382”。还可以使用八进制（103116）、二进制（1000011001001110）等等。但是无论这个数怎么表示，它都是同一个数，那个分配给字符“虎”的数。而这些数与字符的对应关系，就叫做Unicode。
Unicode是数与字符的对应关系，它是一种概念，所以它只对人类有意义。计算机不能处理和存储概念，只能处理和存储数据。所以我们必须想个办法，把Unicode的概念转换成计算机可以处理的具体数据，而这就是“UTF”（Unicode Transformation Format，Unicode转换格式，Unicode转写方式）。
“UTF”的设计目的，是把Unicode规范为字符分配的编号转换为计算机可以直接存储和处理的“八位字节序列”。
现今大多数计算机体系结构都使用8个二进制位做为一个字节，在处理和存储数据时只能以字节为单位。而Unicode码点是一个数，它的取值范围是十六进制的0到10FFFF，如果要转换为8位字节，就需要1字节到3字节的存储空间，不同的码点需要的字节数不同。
但是，如果直接按码点所需的最小字节数进行存储，在读取时就会产生问题：我们怎么知道一个码点有多少字节？
拿“虎”（U+864E）及其emoji图案（U+1F405）举例，存储它俩最少只要5字节，十六进制表示为“86 4E 01 F4 05”。但是如果真的这样存储，读取时就会陷入困境，因为字节和字节之间是没有边界的，我们不知道“86 4E 01 F4 05”中的哪部分属于第一个字符，哪部分属于第二个字符。我们甚至不知道“86 4E 01 F4 05”到底表示了几个字符，因为这一串序列可以拆分成多种形式，比如：
Nô
不同的拆分方法将得到完全不同的字符，所以这种存储方式肯定是不可行的。要让计算机可以正确拆分码点以便还原字符，就必须明确指定码点的边界。不同的“UTF”（Unicode转写方式）就该问题采用了不同的技术方法。
首先想到的方案就是固定长度。既然拆分难是因为不同码点的字节数不同，那把字节数少的前面补0填充到和字节数多的一样长不就可以了吗。既然Unicode的最大码点占3字节，那就所有码点都补0到3字节后再存储。比如，“U+864E、U+1F405”存储为“00 86 4E 01 F4 05”。
此时，我们就得到了第一种Unicode转写方式：UTF-24。
但该转写方式没有得到业界的广泛采用，它甚至从未正式推出，只是作为想法在Unicode邮件列表中被人提出过。该方案最大的问题在于它是3字节为一组，但计算机一次只能读取1、2、4、8个字节。所以计算机要么分两次读取，先读取2字节再读取1字节，要么一次性读取4字节再删除1字节，操作都不是很方便。
所以，在前面再补一个字节不就行了？既然计算机一次只能读取1、2、4、8个字节，那干脆用4个字节存储一个码点。这样“U+864E、U+1F405”就存储为“00 00 86 4E 00 01 F4 05”，浪费一个字节就浪费嘛，反正现在的设备内存硬盘都很大。
于是，我们就得到了第二种Unicode转写方式：UTF-32。它在很多现代计算机程序中都得到了采用。
UTF-32有什么优点？简单明确。
UTF-32有什么缺点？显而易见，占用空间大，存储一个字符最少浪费1字节，最多浪费3字节！虽然现代计算机内存和硬盘都很大，但是网速却往往不够快，有的还是按流量计费的。如果要通过网络发送文本，采用UTF-32似乎不太经济，所以能不能减少一点，采用2字节？
对大部分字符来说，没问题。比如“虎”（U+864E）就恰好可以存储为“86 4E”，字母“A”（U+41）可以存储为“00 41”。
但是虎的emoji?表情怎么办？它是“U+1F405”。如果存储为2字节，那开头的“1”不就没了吗？这样肯定不行。
还有笑哭?（U+1F602）、OK?（U+1F44C）、鼓掌?（U+1F44F）等等，如果采用2字节，我们是不是只能和它们说再见了？
别担心，还是有方法。
Unicode给字符编号的时候并不是连续分配的，而是按空间一块一块分配的。所以实际上有些编号范围从未分配给字符，其中比较大的一块范围是U+D800到U+DFFF。于是我们很自然的就会想到，“我们可以用这块空间存储emoji表情包啊”。
确实可以，但是这块空间太小了，只有2048码点。但是现在emoji表情包已经有1816个了，再加上一些增补汉字、数学符号、以及各国的古文字……2048个码点根本不够用。毕竟如果0000到FFFF够用的话，Unicode就不会扩展到最大10FFFF了。
那怎么办？既然一个2048码点存不下，那就再跟一个2048码点不就行了？这样就有了2048×2048=4194304码点，绝对够用了。就算砍一半，1024*1024=1048576码点，也已经足够了。
所以现在的方案就是，用两个U+D800到U+DFFF范围的码点（共4字节）表示一个范围在U+10000到U+10FFFF的字符，码点数值减去0x10000之后恰好剩20个二进制位（0到0xFFFFF），其中前10位用0xD800到0xDBFF表示，后10位用0xDC00到0xDFFF表示。而这种表示方法就被称为“代理对”。
4字节一组的代理对，再加上原先2字节一组的普通字符，就构成了一种更省空间的Unicode转写方式：UTF-16。
尝试把“虎”及其emoji编码为UTF-16。
虎：
虎的emoji?：
整体表示为 86 4E D8 3D DC 05
解码器每次读取2字节，在读取到 D8 3D 这个字节序列时，因为它位于 D800 到 DBFF 之间，解码器就会知道它是代理对起始字符，会把它和下一个字符组合起来，按上述方法的逆过程还原成 U+1F405 码点。
可是，字母和数字的Unicode码点（U+0到U+7F）明明用一个字节就能表示，在UTF-16里却需要两个字节。每个字母数字前面都得补个0字节，这不是一种浪费吗？特别是在字母和数字非常多的程序代码和网页代码里，UTF-16几乎要浪费一半的空间。有没有什么方法能把这些空间节省下来，让字母和数字只用1个字节就能表示？至于边界的问题，就不能在字节内部把边界表示出来吗？
当然可以。在字节内部表示边界的方法通常称为“自同步”，它有多种达成方式，以下是其中一种：
把字节序列的二进制表示从左往右排开，用最左边1的数量表示该字符所具有的字节数，直到遇到第一个0为止。
比如：
而这种表示方法，就是“UTF-8”采用的方法。“UTF-8”中的“8”，既是指它的字符最少只需8位，也是指它以8位为一组实现了可变字节数的字符编码。
此外细心的读者可能发现了，上面说“如果第一个字节是110xxxxx，表示该字符有2字节”，而不是“如果第一个字节是10xxxxxx，表示该字符有2字节”。我们跳过了“10xxxxxx”，是因为“UTF-8”用它来表示尾随字节（字符的第2、3、4字节）。因为字母和数字用最高位为0的单字节表示，所以为了防止与它们发生冲突导致程序解码困难，尾随字节最高位必须为1。这样一来，为了尽可能充分利用空间，尾随字节的次高位就应该立即为0，以在防止与起始字节冲突的同时给编码留下最大的可用空间。所以表示2字节字符的起始字节跳到了从“110xxxxx”开始。
以下是UTF-8编码方案的完整形式：
但是实际上5字节和6字节的编码不会出现，因为Unicode最大码点只到U+10FFFF，用4字节就够了。
下面我们来把“虎”字及其emoji转换为UTF-8编码。
虎：
虎的emoji?：
所以“虎”及其emoji的UTF-8编码就是：
E8 99 8E F0 9F 90 85
解码器读取到E8就能知道第一个字符3字节。然后跳过2字节读取到F0就能知道第二个字符4字节，所以不会有边界问题。
看了这么多之后，现在我们可以回到问题本身。
Unicode和UTF-8有什么区别？
数字和文件有什么区别？
无法定义区别。只有同类事物才能找出区别，两者是不同类型的事物，因此是不可比较的。
在这里，Unicode是分配给一系列字符的一系列数字，而UTF-8，是把这一系列数字存储成计算机文件的其中一种方案。
老虎用心了
~~~
先马后看
小米MIX2s(白)