iso10646

ISO10646/Unicode规定了一套字符集，包含了世界上大多数常用字符，规定了这些字符的编码。也就是说，每个字符会有一个规定好的编码。

UTF8,UTF16,UTF32则规定了一套算法。根据各自的算法存储ISO10646/Unicode的相应字符。

[Edit UTF-8]

UTF-8

UTF-8的算法根据unicode字符的范围而有变化，主要表现在存储的字节数上，这是为了兼容ascii的单字节编码。具体是这样的：

0000-007F | 0xxxxxxx
0080-07FF | 110xxxxx 10xxxxxx
0800-FFFF | 1110xxxx 10xxxxxx 10xxxxxx
10000-10FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

上面这个表里，字段1表示范围，字段2表示编码所使用的算法，或许称为模板更为准确。

例如有一个字符（汜），在unicode里的编码为十六进制的6C5C，范围在0800-FFFF之间，所以取模板1110xxxx 10xxxxxx 10xxxxxx（也就是说，该字符为三字节的宽字符），该字符编码换算成二进制后代入模板，得1110[0110] 10[110001] 10[011100]。中括号里的数字，连接起来就是该字符的unicode编码的二进制表示。

下面是一个我写的把html的实体转换为utf-8的函数，编程语言为php。html的实体的其中一种格式为 &#unicode编码的十进制;，注意最后有个分号。

function htmlentity2utf8($string) {
    if (!preg_match("@&#(\d+);@",$string,$matches)) return $string;
    $he=$matches[1];
    $he=(int)$he;
    if ($he>=0x0000 && $he<=0x007f) {
        $template=array("0%");
    } elseif ($he>=0x0080 && $he<=0x007ff) {
        $template=array("110%","10%");
    } elseif ($he>=0x0800 && $he<=0xffff) {
        $template=array("1110%","10%","10%");
    } elseif ($he>=0x10000 && $he<=0x10ffff) {
        $template=array("11110%","10%","10%","10%");
    } else {
        return $string;
    }
    $template=array_reverse($template);
    $utf8='';
    $he_b=(string)sprintf("%b",$he);
    $offset=0;
    foreach ($template as $t) {
        $t_len=strlen($t);
        $need_count=9-$t_len;
        $offset-=$need_count;
          $current_he=substr(sprintf("%0".abs($offset)."s",$he_b),$offset,$need_count);
        $tmp=sprintf("%0".$need_count."d",$current_he);
        $utf8=chr(base_convert((str_replace('%',$tmp,$t)),2,10)).$utf8;
    }   
    return $utf8;
}

UTF-8

iso10646

Navigator

KeyShortCuts