Java基础一 (Unicode 与 Java)

Unicode编码是一个“字符集”编码方案，就是字符的编码（代码值）和字符的对应关系表，如（代码值：0x4E00 对应字符：一）。
代码点（code point）指编码表中的某个字符对应的代码

理解Unicode：

Unicode代码点可以分为17个代码级别（code plane）
第一个代码级别称为：基本多语言级别（basic multilingual plane）,代码点从0x0000到0xFFFF；其余的16个附加级别，代码点从0x10000到0x10FFFF。

Unicode编码的一种实现方案Utf-16：

UTF-16编码采用不同长度的编码表示所有的Unicode代码点。在基本的多语言级别中，每个字符用16位(2字节）表示，通常被称为代码单元（code unit）,而辅助字符采用一对连续的代码单元进行编码，这样构成的编码值一定落入基本多语言级别中空闲的2048个字节内（即：0XD800 到 0XDFFF ，含起始与结束 ），通常称为替代区域（surrogate area）(U+D800到U+DBFF用于第一个代码单元，U+DC00到U+DFFF用于第二个代码单元）。

UTF-16编码算法：

UTF-16编码以16位无符号整数为单位。我们把Unicode编码记作U。编码规则如下：
我们把Unicode编码记作U。编码假设U是一个代码点，也就是Unicode编码表中一个字符所对应的Unicode值。
1)如果U<0x10000，U的UTF-16编码就是U对应的16位无符号整数（为书写简便，下文将16位无符号整数记作WORD）。
  也就是处于Unicode的基本多语言级别中。这样16bits(一个代码单元)就足够表示出字符的Unicode值。

2) 如果0x10FFFF>U>=0x10000，也就是处于附加级别中。UTF-16用2个16位来表示，并且正好将每个16位都控制在替代区域U+D800-U+DFFF 中了,具体操作如下：
如果U≥0x10000，我们先计算U'=U-0x10000，然后将U'写成二进制形式：yyyy yyyy yyxx xxxx xxxx，U的UTF-16编码（二进制）就是：110110yyyyyyyyyy 110111xxxxxxxxxx。
为什么U'可以被写成20个二进制位？Unicode的最大码位是0x10ffff，减去0x10000后，U'的最大值是0xfffff，所以肯定可以用20个二进制位表示。例如：Unicode编码0x20C30，减去0x10000后，得到0x10C30，写成二进制是：0001 0000 1100 0011 0000。用前10位依次替代模板中的y，用后10位依次替代模板中的x，就得到：1101100001000011 1101110000110000，即0xD843 0xDC30。

Java语言使用的是Unicode字符集，Utf-16编码方案来实现。

char类型在Java中对于很多初学者都会自然觉得是表示字符的简单类型，没有深层次的思考。然而，char实际存储的是一个utf-16编码的代码单元，并不是一个代码点，因此只有在基本多语言级别的字符才可以用char表示，而在附加多语言级别的字符是无法用char类型去表示的，附加多语言级别字符占用两个代码单元，而char只能存储一个代码单元。