Unicode字符编码概要

Unicode字符编码模型

首先讲「字符编码模型」，主要是为了阐明概念和说明术语，以提供讨论的上下文。

在Unicode Technical Report #17 UNICODE CHARACTER ENCODING MODEL 中，将字符编码的结构建模为下面4层：

• ACR: Abstract Character Repertoire 抽象字符表

  • The set of characters to be encoded, for example, some alphabet or symbol set

  • 抽象字符表定义了待编码的无序字符集合，抽象字符指的是字母或者符号的本体

  • 很多ACR是封闭的，一经确定不能更改，但是Unicode标准中的ACR是开放的，可以不断扩充

    Unicode的实现可以只支持Universal Repertoire的子集

• CCS: Coded Character Set 编号字符集

  • A mapping from an abstract character repertoire to a set of nonnegative integers
  • 编号字符集把抽象字符映射为（可以不连续的）非负整数，这个整数被称为抽象字符的码点（Code Point）
  • 编号的范围被称为编号空间（Code Space）
  • 编号的作用是为了方便管理和引用字符
  • 例子：U+2013表示Unicode的 $2013_{(16)}$ 号字符

• CEF: Character Encoding Form 字符编码形式

  • A mapping from a set of nonnegative integers that are element of a CCS to a set of sequences of particular code units of some specific width, such as 8-bit integers
  • 字符编码形式将每个字符编号