Unicode UTF-8是编码还是字符集？

我认为字符集的名称是“Unicode”，而“UTF-8”是Unicode字符集的特定编码的名称，但在提到UTF-8时，我经常看到术语“编码”和“字符集”互换使用

比如说,

<meta charset="UTF-8">

vs

---

Unicode标准将其称为编码形式或编码方案。Unicode只有一组字符（称为Unicode字符集或通用字符集），所有UTF编码形式和编码方案都可以对该集中的所有字符进行编码

正如许多其他术语一样，程序员似乎有一种到处滥用术语的倾向，这只是这方面的又一个例子

UTF-8是编码还是字符集

UTF-8是一种编码，该术语在定义它的RFC中使用，下面引用

---

我经常看到术语“编码”和“字符集”互换使用

在Unicode之前，如果您想使用西里尔语或希腊语等字母表†，则需要使用仅编码该字母表中字符的编码。因此，术语编码和字符集经常被混为一谈，但它们的含义不同

不过现在，Unicode通常是您需要担心的唯一字符集，因为它包含除克林贡语之外的大多数书面语言的字符

†-字母表，一种字符集，其中字符与口语中的声音直接对应。

---

字符集是从代码单位（整数）到书面语言中的字符、符号、字形或其他标记的映射。Unicode是将21b整数映射到Unicode码点的字符集。Unicode联盟的描述如下：

统一码

书写世界上所有语言所用字符的数字表示标准。Unicode为以任何语言存储、搜索和交换文本提供了统一的方法。它被所有现代计算机所使用，是在互联网上处理文本的基础。Unicode由Unicode联盟开发和维护：

应用于Unicode联盟开发和维护的软件国际化和本地化标准的标签

---

编码是从字符串到字符串的映射。UTF-8是一种将字节字符串（8b整数）映射到代码点字符串（21b整数）的编码。Unicode联盟将其称为a，并在中定义

然而，最初提议的UCS编码是 与许多当前应用程序和协议不兼容，并且 导致了UTF-8的开发

---

UTF-8是一种编码。然而，编码通常称为字符集，因此许多协议使用参数名称

charset

作为指定字符编码的参数。因此，

charset

只是一个标识符。

UTF-8是一种编码，从某种意义上讲，它将一系列抽象整数（表示抽象字符的代码点）编码为一组字节。（从unicode的角度来看，您可以说“字符集”也是一种表驱动的“编码”，即将少量代码点编码为字节，但这几乎是对术语的滥用，可能没有多大帮助）

整数序列（在某种基本意义上）是“unicode字符串”，但为了将它们保存在磁盘上或通过网络发送，需要将它们编码为字节序列。UTF-8是实现这一点的一种方法，UTF-16是另一种方法：如果一个unicode字符串以两种不同的方式编码，它将被表示为两个不同的字节流

---

这里有很多很好的答案，但就在昨天，我花了一些时间试图将这个问题归结为最小的问题，因此这提供了一个很好的机会来重用该文本：

我认为乔尔·斯波尔斯基的文章很好。这里（当然）以前提到过，但值得重复。不过，我认为这并不是完全最小的

有几次，当我不得不向同事解释“unicode”时，抽象unicode代码点的概念被证明是解释的关键。我成功解释的结构如下：

• Unicode联盟（经过许多痛苦和协商）设法为使用中的大部分字符提供了一个数字。这些数字（行话）称为“代码点”

• “字母A”有一个代码点，这与字体无关。因此，“A”和“A”有不同的代码点，但罗马、粗体、斜体、衬线、无衬线（等等）没有区别。例如，日本汉字、腾战和克林贡文字都有代码点（这引起了人们的注意）

• “unicode字符串”是（概念上）一个代码点序列。这是一个数学整数序列。询问这些是字节、2字节还是4字节的单词是没有意义的；这个序列与计算机无关

• 然而，如果你想把这个整数序列发送给某人，或者把它保存在计算机磁盘上，你必须对它进行编码。你也可以在一张纸上写下数字的顺序，但现在让我们专门研究计算机。如果您想在计算机上存储或发送这些数据，必须将这些整数转换为字节序列。有多个过程可以实现这一点，每个过程都被命名为“编码”。其中一种“编码”是UTF-8

• “读取Unicode文件”时，从磁盘上的字节序列开始，概念上以整数序列结束。如果“unicode文件”以某种方式表示为UTF-8编码，则必须对其进行解码

  <?xml version="1.0" encoding="UTF-8" ?>