我们在开发的过程中，常常会遇到乱码的情况。归根结底就是因为编码和解码不一致，计算机无法还原出正确的信息。要搞清楚这个问题，我们首先了解一下相关概念。
字符集合(character set)：一组形状的集合，例如所有汉字的集合，与计算机、编码等无关。
编码字符集(coded character set)：字符集合中的每一个字符给予一个数字。
字符编码方案(Character-encoding schema)：字符编码（数字）映射到一个字节数组的方案。
字符集(charset)：一般认为，编码字符集和字符编码方案合起来。
码元(Code Unit)：编码方式使用的最小字节组合。
字节序：码元大于一个字节则在存储和传输时就要考虑字节顺序，和芯片类型以及操作系统都有关系。
大端：数据的高字节保存在内存的低地址中。
小端：数据的高字节保存在内存的高地址中。
BOM(byte order mark)：添加在数据流开头的字符串，用以描述字节序。

常见的字符集如下。
ASCII码：1字节，0-127。
ISO/IEC 8859字符集：拉丁语系国家，1字节，扩展128-255，ISO/IEC 8859-1到ISO/IEC 8859-15（除12），基本每个规范对应西方国家一个小语种。
GB2312、GBK、GB18030字符集：2字节，兼容ascii，按顺序发展，向前兼容，常用GBK。
其他语言地区：日本JIS，台湾BIG5。

在这样的背景下，通用字符集成为了必然的选择，Unicode应运而生。

Unicode的编码空间被划分为17个平面，每个平面2^16(65536)个码位，BMP平面内，从U+D800到U+DFFF之间(2^11=2048)的码位区块是永久保留不映射到Unicode字符。虽然世界通用的表Unicode是有了，但是有人就发现这有点浪费资源啊。每次让计算机读取三个字节然后参照Unicode表解码，那么像a、b…0、1、2…这些一个字节就够了的就太浪费了。于是uft-8，utf-16，utf-32这些编码方案就出现了。utf-16是用两个字节来编码所有的字符，utf-32则选择用4个字节来编码，utf-8为了节省资源，采用变长编码，编码长度从1个字节到6个字节不等。可由于互联网大部分是1个字节（代码很多英文的），所以最后大家选择用的最多的还是utf-8。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

Java是用Unicode来表示字符，内部使用UTF-16，一个char是2个字节， U+0000~U+FFFF用一个char，U+10000~U+10FFFF用两个char。如下图所示