Um die Antworten anderer zu erweitern:
Wir haben viele Sprachen mit vielen Zeichen, die Computer idealerweise anzeigen sollten. Unicode weist jedem Zeichen eine eindeutige Nummer oder einen Codepunkt zu.
Computer beschäftigen sich mit Zahlen wie Bytes. Wenn Sie hier ein wenig Verlauf überspringen und Speicheradressierungsprobleme ignorieren, behandeln 8-Bit-Computer ein 8-Bit-Byte als die größte numerische Einheit, die auf der Hardware leicht dargestellt werden kann. 16-Bit-Computer werden erweitert das auf zwei Bytes und so weiter.
Alte Zeichenkodierungen wie ASCII stammen aus der (Vor-) 8-Bit-Ära und versuchen, die vorherrschende Sprache beim Rechnen, dh Englisch, in Zahlen zwischen 0 und 127 (7 Bit) zu packen. Mit 26 Buchstaben im Alphabet, sowohl in Groß- als auch in Nicht-Großbuchstaben, Zahlen und Satzzeichen, funktionierte das ziemlich gut. ASCII wurde für andere, nicht englische Sprachen um ein 8-Bit erweitert, aber die zusätzlichen 128 Zahlen / Codepunkte, die durch diese Erweiterung verfügbar gemacht werden, werden abhängig von der angezeigten Sprache unterschiedlichen Zeichen zugeordnet. Die ISO-8859-Standards sind die häufigsten Formen dieser Zuordnung. ISO-8859-1 und ISO-8859-15 (auch bekannt als ISO-Latin-1, Latin1, und ja, es gibt auch zwei verschiedene Versionen des ISO-Standards 8859).
Dies reicht jedoch nicht aus, wenn Sie Zeichen aus mehr als einer Sprache darstellen möchten. Daher funktioniert es einfach nicht, alle verfügbaren Zeichen in ein einziges Byte zu packen.
Grundsätzlich gibt es zwei verschiedene Arten von Codierungen: Eine erweitert den Wertebereich um weitere Bits. Beispiele für diese Codierungen wären UCS2 (2 Bytes = 16 Bit) und UCS4 (4 Bytes = 32 Bit). Sie leiden von Natur aus unter dem gleichen Problem wie die Standards ASCII und ISO-8859, da ihr Wertebereich immer noch begrenzt ist, selbst wenn der Grenzwert erheblich höher ist.
Die andere Art der Codierung verwendet eine variable Anzahl von Bytes pro Zeichen, und die am häufigsten bekannten Codierungen hierfür sind die UTF-Codierungen. Alle UTF-Codierungen funktionieren ungefähr gleich: Sie wählen eine Einheitsgröße, die für UTF-8 8 Bit, für UTF-16 16 Bit und für UTF-32 32 Bit beträgt. Der Standard definiert dann einige dieser Bits als Flags: Wenn sie gesetzt sind, ist die nächste Einheit in einer Folge von Einheiten als Teil desselben Zeichens zu betrachten. Wenn sie nicht festgelegt sind, repräsentiert diese Einheit ein Zeichen vollständig. Daher belegen die häufigsten (englischen) Zeichen in UTF-8 nur ein Byte (zwei in UTF-16, 4 in UTF-32), andere Sprachzeichen können jedoch sechs Bytes oder mehr belegen.
Multi-Byte-Codierungen (ich sollte nach der obigen Erklärung Multi-Unit-Codierungen sagen) haben den Vorteil, dass sie relativ platzsparend sind, aber der Nachteil, dass Operationen wie das Finden von Teilzeichenfolgen, Vergleichen usw. die Zeichen alle in Unicode-Code decodieren müssen Punkte, bevor solche Operationen ausgeführt werden können (es gibt jedoch einige Verknüpfungen).
Sowohl die UCS-Standards als auch die UTF-Standards codieren die in Unicode definierten Codepunkte. Theoretisch könnten diese Codierungen verwendet werden, um eine beliebige Zahl zu codieren (innerhalb des Bereichs, den die Codierung unterstützt) - aber natürlich wurden diese Codierungen erstellt, um Unicode-Codepunkte zu codieren. Und das ist deine Beziehung zwischen ihnen.
Windows behandelt sogenannte "Unicode" -Strings als UTF-16-Strings, während die meisten UNIX-Dateien heutzutage standardmäßig UTF-8 verwenden. Kommunikationsprotokolle wie HTTP funktionieren in der Regel am besten mit UTF-8, da die Einheitengröße in UTF-8 dieselbe ist wie in ASCII, und die meisten dieser Protokolle wurden in der ASCII-Ära entwickelt. Auf der anderen Seite bietet UTF-16 die beste durchschnittliche Speicherplatz- / Verarbeitungsleistung, wenn alle lebenden Sprachen dargestellt werden.
Der Unicode-Standard definiert weniger Codepunkte, als in 32 Bit dargestellt werden können. Daher wurden UTF-32 und UCS4 für alle praktischen Zwecke dieselbe Codierung, da Sie in UTF-32 wahrscheinlich nicht mit Zeichen mit mehreren Einheiten umgehen müssen.
Hoffe das füllt einige Details aus.
