在计算机中，所有数据都是以二进制数的形式存储的，字符char也不例外。为了表示字符，我们需要建立一套“字符集”，规定每个字符和二进制数之间的一一对应关系。有了字符集之后，计算机就可以通过查表完成二进制数到字符的转换。
「ASCII码」是最早出现的字符集，全称为“美国标准信息交换代码”。它使用7位二进制数（即一个字节的低7位）表示一个字符，最多能够表示128个不同的字符。如图3-6所示，ASCII码包括英文字母的大小写、数字0~9、一些标点符号，以及一些控制字符（如换行符和制表符）。
图3-6ASCII码
然而，ASCII码仅能够表示英文。随着计算机的全球化，诞生了一种能够表示更多语言的字符集「EASCII」。它在ASCII的7位基础上扩展到8位，能够表示256个不同的字符。
在世界范围内，陆续出现了一批适用于不同地区的EASCII字符集。这些字符集的前128个字符统一为ASCII码，后128个字符定义不同，以适应不同语言的需求。
后来人们发现，EASCII码仍然无法满足许多语言的字符数量要求。比如汉字大约有近十万个，光日常使用的就有几千个。中国国家标准总局于1980年发布了「GB2312」字符集，其收录了6763个汉字，基本满足了汉字的计算机处理需要。
然而，GB2312无法处理部分的罕见字和繁体字。「GBK」字符集是在GB2312的基础上扩展得到的，它共收录了21886个汉字。在GBK的编码方案中，ASCII字符使用一个字节表示，汉字使用两个字节表示。
随着计算机的蓬勃发展，字符集与编码标准百花齐放，而这带来了许多问题。一方面，这些字符集一般只定义了特定语言的字符，无法在多语言环境下正常工作。另一方面，同一种语言也存在多种字符集标准，如果两台电脑安装的是不同的编码标准，则在信息传递时就会出现乱码。
那个时代的研究人员就在想：如果推出一个足够完整的字符集，将世界范围内的所有语言和符号都收录其中，不就可以解决跨语言环境和乱码问题了吗？在这种想法的驱动下，一个大而全的字符集Unicode应运而生。
「Unicode」的全称为“统一字符编码”，理论上能容纳一百多万个字符。它致力于将全球范围内的字符纳入到统一的字符集之中，提供一种通用的字符集来处理和显示各种语言文字，减少因为编码标准不同而产生的乱码问题。
自1991年发布以来，Unicode不断扩充新的语言与字符。截止2022年9月，Unicode已经包含149186个字符，包括各种语言的字符、符号、甚至是表情符号等。在庞大的Unicode字符集中，常用的字符占用2字节，有些生僻的字符占3字节甚至4字节。
Unicode是一种字符集标准，本质上是给每个字符分配一个编号（称为“码点”），但它并没有规定在计算机中如何存储这些字符码点。我们不禁会问：当多种长度的Unicode码点同时出现在同一个文本中时，系统如何解析字符？例如给定一个长度为2字节的编码，系统如何确认它是一个2字节的字符还是两个1字节的字符？
对于以上问题，一种直接的解决方案是将所有字符存储为等长的编码。如图3-7所示，“Hello”中的每个字符占用1字节，“算法”中的每个字符占用2字节。我们可以通过高位填0，将“Hello算法”中的所有字符都编码为2字节长度。这样系统就可以每隔2字节解析一个字符，恢复出这个短语的内容了。
图3-7Unicode编码示例
然而ASCII码已经向我们证明，编码英文只需要1字节。若采用上述方案，英文文本占用空间的大小将会是ASCII编码下大小的两倍，非常浪费内存空间。因此，我们需要一种更加高效的Unicode编码方法。
目前，UTF-8已成为国际上使用最广泛的Unicode编码方法。它是一种可变长的编码，使用1到4个字节来表示一个字符，根据字符的复杂性而变。ASCII字符只需要1个字节，拉丁字母和希腊字母需要2个字节，常用的中文字符需要3个字节，其他的一些生僻字符需要4个字节。
UTF-8的编码规则并不复杂，分为以下两种情况。
图3-8展示了“Hello算法”对应的UTF-8编码。观察发现，由于最高n位都被设置为1，因此系统可以通过读取最高位1的个数来解析出字符的长度为n。
但为什么要将其余所有字节的高2位都设置为10呢？实际上，这个10能够起到校验符的作用。假设系统从一个错误的字节开始解析文本，字节头部的10能够帮助系统快速的判断出异常。
之所以将10当作校验符，是因为在UTF-8编码规则下，不可能有字符的最高两位是10。这个结论可以用反证法来证明：假设一个字符的最高两位是10，说明该字符的长度为1，对应ASCII码。而ASCII码的最高位应该是0，与假设矛盾。
图3-8UTF-8编码示例
除了UTF-8之外，常见的编码方式还包括以下两种。
从存储空间的角度看，使用UTF-8表示英文字符非常高效，因为它仅需1个字节；使用UTF-16编码某些非英文字符（例如中文）会更加高效，因为它只需要2个字节，而UTF-8可能需要3个字节。
从兼容性的角度看，UTF-8的通用性最佳，许多工具和库都优先支持UTF-8。
对于以往的大多数编程语言，程序运行中的字符串都采用UTF-16或UTF-32这类等长的编码。在等长编码下，我们可以将字符串看作数组来处理，这种做法具有以下优点。
实际上，编程语言的字符编码方案设计是一个很有趣的话题，其涉及到许多因素。
由于以上编程语言对字符数量的低估，它们不得不采取“代理对”的方式来表示超过16位长度的Unicode字符。这是一个不得已为之的无奈之举。一方面，包含代理对的字符串中，一个字符可能占用2字节或4字节，从而丧失了等长编码的优势。另一方面，处理代理对需要增加额外代码，这增加了编程的复杂性和Debug难度。
出于以上原因，部分编程语言提出了一些不同的编码方案。
需要注意的是，以上讨论的都是字符串在编程语言中的存储方式，这和字符串如何在文件中存储或在网络中传输是两个不同的问题。在文件存储或网络传输中，我们通常会将字符串编码为UTF-8格式，以达到最优的兼容性和空间效率。