Unicode 是什么?和 ASCII、UTF-8 有什么区别
Unicode 是一套字符编号标准：它给世界上每个字符分配一个唯一编号（码点），但不规定这些编号在文件或网络里怎么变成字节。ASCII 是它之前的英文专用字符集，只有 128 个字符；UTF-8、UTF-16 则是把 Unicode 码点实际存成字节的编码方式。遇到乱码时，问题几乎总是出在“编码方式”这一层，而不是 Unicode 本身。
三个概念，各管一件事
| 概念 | 管什么 | 范围/形式 | 典型例子 |
|---|---|---|---|
| ASCII | 字符集 | 128 个字符，覆盖英文、数字、标点和控制符 | A = 65 |
| Unicode | 字符集（编号表） | 给全球字符分配码点，如 U+4E2D | 中 = U+4E2D |
| UTF-8 / UTF-16 | 编码方式 | 把码点转成字节序列 | U+4E2D 在 UTF-8 里是 3 字节 |
关键区别在于：字符集回答“这个字符的编号是多少”，编码方式回答“这个编号写成几个字节、什么顺序”。 两者是分开的，所以同一段 Unicode 文本可以用 UTF-8 存，也可以用 UTF-16 存。
ASCII 为什么不够用
ASCII 诞生于英文环境，用 7 位表示 128 个字符，刚好够英文字母、数字和常用符号。它的问题很直接：
- 没有中文、日文、韩文、阿拉伯文、俄文等任何非拉丁字符；
- 没有 emoji 和大量数学、货币符号；
- 各国后来各自扩展出本地编码（如 GBK、Shift-JIS、Latin-1），互不兼容。
结果是同一串字节，用不同本地编码解读会得到完全不同的文字——这就是早期中文网页“乱码”的根源。Unicode 的目标就是用一个统一编号表取代这些互不兼容的本地字符集。
为什么同一段文字会乱码
乱码不是字符坏了，而是写入时用的编码和读取时用的编码不一致。
例如“中”这个字：
- 在 UTF-8 里是 3 个字节：
E4 B8 AD - 在 GBK 里是 2 个字节：
D6 D0
如果文件实际是 UTF-8，但打开时按 GBK 解读，就会显示成“涓”之类的怪字。反过来也一样。UTF-16 与 UTF-8 之间误读，还会出现大量夹杂空字节或问号的情况。
判断和处理的顺序通常是：
- 先确认来源：网页看 HTTP 响应头或
<meta charset>；文件看编辑器状态栏或保存选项。 - 用工具验证：多数编辑器（VS Code、Notepad++、Sublime）能显示当前编码，并支持“以某编码重新打开”。
- 再转换：确认正确编码后，另存为目标编码。命令行可用
iconv -f UTF-8 -t GBK input.txt > output.txt。 - 验证结果：重新打开，确认中文、emoji、特殊符号都正常，没有问号或方块。
常见卡点：
- 只改文件内容里的编码声明，没改实际字节，等于没改；
- 数据库连接、表、字段三层编码不一致，只改一层仍会乱；
- 终端本身编码不对，文件正确也会显示乱码。
日常怎么选
- 网页和新建文件优先用 UTF-8：它兼容 ASCII，英文不浪费空间，又能覆盖全部 Unicode，是当前事实标准。
- 遇到乱码先查编码声明，不要急着重打内容；多数情况重新按正确编码打开即可恢复。
- 只在必须对接旧系统时用 GBK 等本地编码，并明确记录，避免后续再次误读。
- ASCII 仍有用：纯英文场景、日志、协议头里它简单可靠；但一旦涉及多语言，就该交给 Unicode + UTF-8。
一句话记住：Unicode 是“字符名单”，UTF-8 是“把名单写成字节的规则”，ASCII 是这份名单出现之前的英文小册子。 乱码出在规则不匹配，不在名单本身。