UTF-48

编码→编辑→编译，停留在最初阶段……

1、UTF-32/3

一个汉字的信息量约等于三个英文字母
举例来说：
I’m a painter，13
我是一个粉刷匠，7

The amount of information in a Chinese character is about equal to three English letters，88
一个汉字的信息量约等于三个英文字母，17

Transforms the different translation way，40
转换不同的翻译方式，9

Apples and oranges，18
苹果和桔子，5

13:7=1.86
88:17=5.18
40:9=4.44
18:5=3.6
一个汉字的信息量约等于三个英文字母

采用32比特编码，全世界有5651种语言，用32比特表示3个英文字母。
2^32/5651=76万
76万^(1/3)=91
对英语来说，有91个码位可用。

你好，谢谢，再见，6
こんにちは、ありがとう、さようなら，15
15:6=2.5
一个汉字的信息量约等于2个日文假名

用4字节表示一个汉字？许多人可能接受不了，现在的GBK或UTF-16用2字节表示一个汉字，UTF-8也才是3字节。

美国人也会提出异议，这样编码后，用着不如UTF-8方便，还要编码、解码，切换起来费时费力。

本方案的出发点是，让各种语言尽可能有相同长度的编码。这只是存储用的编码，计算机内码依然可以用16比特。用32比特表示3个字母，约是11比特表示1个字母，这套方案可以命名为UTF-32/3。

2、UTF-48

方案一：UTF-32/3
4字节表示1个汉字，或3个字母。

方案二：UTF-48
6字节表示2个汉字，或5个字母。

理论计算：
汉字10万个，16.61比特
英文字母128-32=96个，6.59比特
16.61:6.59=2.52倍
5:2=2.5倍

工程上，比特数向上取整：

• 5651种语言，需要13比特；
• 10万汉字，需要17比特；
• ASCII编码，需要7比特；

13+1+17+17=48，连续两个汉字
13+7+7+7+7+7=48，连续五个英文字母

上述方案一，编码、解码需要做多个乘除法，速度较慢；方案二，直接做位运算，速度较快。但是面对阿拉伯语，有8比特编码，该怎么办呢？
13+3+8+8+8+8=48
6字节表示4个阿拉伯字母？

那日语假名呢？因为一个汉字相当于2个假名，所以也是6字节表示2个汉字、4个假名吗？167个日语假名，需要8比特。

第二段的2比特有4种情况，分别对应以下4行：
‌13+2+17+8+8，一个汉字带两个假名
‌13+2+8+8+17，
‌13+2+8+17+8，
‌13+2+1+8+8+8+8，连续四个假名
日文中出现连续两个汉字，就用汉语模式。

汉语和ASCII字符混合模式：
13+1+17+17=48，连续两个汉字
13+1+3+17+7+7=48，一个汉字加两个ASCII
13+1+3+7+17+7=48，ASCII汉字ASCII
13+1+3+7+7+17=48，两个ASCII加一个汉字
第三段的3比特有8种情况，还有5个码位待定。

几天前写的那篇博客，描述了UTF-24/2和UTF-32word，现简述如下：

3、UTF-24/2

用3字节表示1个汉字，或2个字母。
(2^24/5651)^(1/2)=54
每种语言只有54个码位，偏少。

4、UTF-32word

用4字节表示一个词，以单词为单位编码。
‌2^32/5651=76万
‌13+19=32，2^19=52万
不管是76万还是52万，都足够多了。

英语中有sun，汉语中有太阳，且尽量保证它们的编码相似。
编码器、解码器太大。一个英语单词可以有多个意思，难以保证像sun和太阳那样对应整齐。英语单词正在增长，76万或52万都不够用，要看英语国家的人们是怎么说的了。

总结

本文描述了UTF-32/3，UTF-48，UTF-24/2，UTF-32word这四种字符编码。推荐使用UTF-48编码。

分配方式

因为35=7×5，安排7比特是方便的，不多也不少，正好35比特。

如果是8比特呢？35=3+8×4，有3比特剩余，计算有多少剩余的码位：7×2³²=7/8×2³⁵=0.875项（1项=2³⁵码位）

如果是9比特呢？35+1=9×4，这相当于“借1比特”，需要合并2项。

借更多比特需要合并更多项，比如13比特编码，35+4=13×3，这需要借4比特，即合并2⁴=16项。

有没有足够多的项可供合并呢？一般来说，没有！因为全世界有5651种语言，分配了13比特，即8192项，平均1.4项/语言。

因为35=3+8×4，8比特编码的语言有3比特剩余。8个这样的语言可以合并到一个项里，可以理解成这里的3比特，合并进入lang字段。8个语言占1项，那么，1.4×8-1=10.2，有10项可以释放出来，供其他语言使用。

上述操作可以称为“借比特”与“还比特”。