字符集是字符的集合，常见的有：ASCII字符集、GB2312字符集、BIG5字符集、 GB18030字符集、Unicode字符集等
字符编码则是编码规则，是计算机用于解析字符的规则。常见的有ISO-8859-1，GB2312，GBK，UTF-8，UTF-16等。
本文讲讲 Unicode 字符集和它的常见编码格式。
Unicode
Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。
Unicode的编码空间可以划分为17个平面（plane），每个平面包含65,536个码位。17个平面的码位可表示为从U+xx0000到U+xxFFFF。第一个平面称为基本多语言平面（Basic Multilingual Plane, BMP），或称第零平面（Plane 0），其他平面称为辅助平面（Supplementary Planes）。
在基本多语言平面内，从U+D800到U+DFFF之间的码位区段是空出来的码位。UTF-16利用这块码位来对辅助平面的字符进行编码。
UTF-8
UTF-8是一种可变长度字符编码。
现在看这样一句话：It's 知乎日报，在Unicode中对应的码和二进制分别是：
I 0049 00000000 01001001
t 0074 00000000 01110100
' 0027 00000000 00100111
s 0073 00000000 01110011
0020 00000000 00100000
知 77e5 01110111 11100101
乎 4e4e 01001110 01001110
日 65e5 01100101 11100101
报 62a5 01100010 10100101
可以看到，英文的字符前9位都是0，太浪费了，因为utf-8采用了可变长度编码，以8bits为最小变长。编码后如下：
I 01001001
t 01110100
' 00100111
s 01110011
00100000
知 11100111 10011111 10100101
乎 11100100 10111001 10001110
日 11100110 10010111 10100101
报 11100110 10001010 10100101
它的编码规则是这样的：
0000〜007F：0XXXXXXX
0080〜07FF：110XXXXX 10XXXXXX
0800〜FFFF：1110XXXX 10XXXXXX 10XXXXXX
10000〜10FFFF：11110XXX 10XXXXXX 10XXXXXX 10XXXXXX
可以看到utf8是一种前缀编码，编码成一个字节的首位为0，编码成两个字节的，第一个字节的前两位为1，编码为三个字节的，第一个字节前三为为1...就是通过这种手段，计算机知道接下来的一个字符包含多少个字节。
自2009年以来，UTF-8一直是万维网的最主要的编码形式。截止到2019年11月， 在所有网页中，UTF-8编码应用率高达94.3%。第二热门的多字节编码方式Shift JIS和GB 2312分别具有0.3％和0.2％的占有率。几乎所有的互联网联盟都建议采用UTF-8编码。
结构：
UTF-8原本使用1-6个字节为每个字符编码，但2003年11月UTF-8被RFC 3629重新规范，只能使用原来Unicode定义的区域，U+0000到U+10FFFF，也就是说最多四个字节。
- 128个US-ASCII字符只需一个字节编码（Unicode范围由U+0000至U+007F）。
- 带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要两个字节编码（Unicode范围由U+0080至U+07FF）。
- 其他基本多文种平面（BMP）中的字符（这包含了大部分常用字，如大部分的汉字）使用三个字节编码（Unicode范围由U+0800至U+FFFF）。
- 其他极少使用的Unicode 辅助平面的字符使用四字节编码。
特点：
Ascll码是它的子集，所有英文只需要一个字节，对于欧美地区而言非常的高效且便捷。但中文字符基本都需要三个字节，比较不方便。
UTF-16
utf-16也是一种长度的编码，每个字符占用两个字节或者四个字节。
-
对于基本平面字符，unicode码和utf-16相同，只占用两个字节。
-
对于辅助平面字符，被编码成一对码元，占用四个字节：
- 码位减去 0x10000， 则得到 20 bit 长的 0 - 0xFFFFF。
- 高位的10bit，加上 0xD800 得到第一个码元，又称高位或前导，值的范围是
0xD800...0xDBFF - 低位的10bit，加上 0xDC00 得到第二个码元，又称低位或后尾，值的范围是
0xDC00...0xDFFF
这样设计，那么对于一个两个字节，很容易判断其是基本字符，还是辅助字符，而且很好判断是前导还是后尾。这样每次读取都是连续的 2 字节。
不同的操作系统对字节顺序的理解不一致。如某字符为十六进制编码4E59，按两个字节拆分为4E和59，在Mac上读取时是从低字节开始，那么会认为此4E59编码为594E，找到的字符为“奎”，而在Windows上从高字节开始读取，则编码为U+4E59的字符为“乙”。此类情况说明UTF-16的编码顺序若不加以人为定义就可能发生混淆，于是在UTF-16编码实现方式中使用了大端序（Big-Endian，简写为UTF-16 BE）、小端序（Little-Endian，简写为UTF-16 LE）的概念，以确保不同的字节序也能呈现相同内容，目前Windows和Linux默认使用UTF-16 LE。
utf-8 和 utf-16 如何选择
utf-16的特点是编码规整，方便cpu读写。因此在需要进行内存读写时，采用utf-16
但是utf-16对于ascll码字符存在空间浪费，而多数时候ascll码字符更多，因此在网络或者存储时，普遍采用utf-8.
另外，对于cjk（中日韩文字）编码时，很多字符都是在于基本平面内，使用 utf-16 只需要两字节，而使用 utf-8 通常需要 3 字节。也就是说，在cjk文字偏多时，采用utf-16更加有空间优势。
-
Java的编码格式是什么？
java的编码格式要分情况来看，在类文件中编码默认是 utf-8，可以手动指定；在 jvm 运行时，即在内存中，都转换为 utf-16。原因就是 utf-16 方便 cpu 读写，而utf-8对于ascll字符多的情况下更省内存。
UTF-32
utf-32是定长的编码，每个码位使用四个字节进行编码。优点是和unicode一一对应，缺点是太浪费空间。
参考：
https://zh.wikipedia.org/wiki/Unicode
https://zh.wikipedia.org/wiki/UTF-8
https://zh.wikipedia.org/wiki/UTF-16