正则表达式系列 （三）

前文链接：

正则表达式系列 一
正则表达式系列 二

本文介绍了与文本处理密切相关的Unicode概念，以及简单探索正则的匹配原理。

Unicode

什么是Unicode

在没有 Unicode 之前，全世界各个地区的文字编码各不相同，中国大陆用GB2312，美国用ASCII。这些编码标准的作用都是，给一个字符分配一个编号，形成码值与字符的映射。

但随着互联网发展，跨地区交流时，同样的码值对应着不同地区的字符，假设编号1对应中文的“我”，而编号1对应英文的“a”，这样不就无法解码了

所以Unicode标准出现，收录了全世界几乎所有的字符，统一分配编号

组成结构

Unicode 分为 UCS 和 UTF 两部分

UCS就是个超大的容器，编号从0到1114111（一百多万个，到目前只分配了30万左右），收录全世界的字符。这个大容器又被分为17个小容器，称为平面，每一个平面大小是65536。平面编号从0到16，其中0号平面又被称为BMP（和.bmp文件没有任何关系）。日常使用的绝