1024程序员节主题征文 | 统一码的编码和实现

简介

统一码（Unicode），也叫万国码、单一码，是计算机科学领域里的一项业界标准，包括字符集、编码方案等。Unicode是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

发展历程

1990年开始研发，1994年正式发布1.0版本，2022年9月13日发布15.0版本。

小知识

如果把各种文字编码形容为各地的方言，那么Unicode就是世界各国合作开发的一种语言。
在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是Unicode的最大好处。就是将世界上所有的文字用2个字节统一进行编码。那样，像这样统一编码，2个字节就已经足够容纳世界上所有的语言的大部分文字了。

Universal Multiple-Octet Coded Character Set，简称为UCS。

现在用的是UCS-2，即2个字节编码，而UCS-4是为了防止将来2个字节不够用才开发的。
Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发，1994年正式公布。随着计算机工作能力的增强，Unicode也在面世以来的十多年里得到普及。

Unicode是基于通用字符集（Universal Character Set）的标准来发展，并且同时也以书本的形式（The Unicode Standard，目前第五版由Addison-Wesley Professional出版，ISBN-10: 0321480910）对外发表。

2005年3月31日推出的Unicode 4.1.0。

2022年9月13日推出的15.0版本。

编码和实现

大概来说，Unicode编码系统可分为编码方式和实现方式两个层次。

编码方式

Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

Unicode字符集可以简写为UCS（Unicode Character Set）。早期的Unicode标准有UCS-2、UCS-4的说法。UCS-2用两个字节编码，UCS-4用4个字节编码。UCS-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个平面（plane）。每个平面根据第3个字节分为256行（row），每行有256个码位（cell）。group 0的平面0被称作BMP（Basic Multilingual Plane）。将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。

每个平面有2^16=65536个码位。Unicode计划使用了17个平面，一共有17*65536=1114112个码位。在Unicode 5.0.0版本中，已定义的码位只有238605个，分布在平面0、平面1、平面2、平面14、平面15、平面16。其中平面15和平面16上只是定义了两个各占65534个码位的专用区（Private Use Area），分别是0xF0000-0xFFFFD和0x100000-0x10FFFD。所谓专用区，就是保留给大家放自定义字符的区域，可以简写为PUA。

平面0也有一个专用区：0xE000-0xF8FF，有6400个码位。平面0的0xD800-0xDFFF，共2048个码位，是一个被称作代理区（Surrogate）的特殊区域。代理区的目的用两个UTF-16字符表示BMP以外的字符。在介绍UTF-16编码时会介绍。

如前所述在Unicode 5.0.0版本中，238605-65534*2-6400-2408=99089。余下的99089个已定义码位分布在平面0、平面1、平面2和平面14上，它们对应着Unicode定义的99089个字符，其中包括71226个汉字。平面0、平面1、平面2和平面14上分别定义了52080、3419、43253和337个字符。平面2的43253个字符都是汉字。平面0上定义了27973个汉字。

实现方式

在Unicode中：汉字“字”对应的数字是23383。在Unicode中，我们有很多方式将数字23383表示成程序中的数据，包括：UTF-8、UTF-16、UTF-32。UTF是“UCS Transformation Format”的缩写，可以翻译成Unicode字符集转换格式，即怎样将Unicode定义的数字转换成程序数据。例如，“汉字”对应的数字是0x6c49和0x5b57，而编码的程序数据是：

BYTE data_utf8[] = {0xE6, 0xB1, 0x89, 0xE5, 0xAD, 0x97}; // UTF-8编码
WORD data_utf16[] = {0x6c49, 0x5b57}; // UTF-16编码
DWORD data_utf32[] = {0x6c49, 0x5b57}; // UTF-32编码

这里用BYTE、WORD、DWORD分别表示无符号8位整数，无符号16位整数和无符号32位整数。UTF-8、UTF-16、UTF-32分别以BYTE、WORD、DWORD作为编码单位。“汉字”的UTF-8编码需要6个字节。“汉字”的UTF-16编码需要两个WORD，大小是4个字节。“汉字”的UTF-32编码需要两个DWORD，大小是8个字节。根据字节序的不同，UTF-16可以被实现为UTF-16LE或UTF-16BE，UTF-32可以被实现为UTF-32LE或UTF-32BE。下面介绍UTF-8、UTF-16、UTF-32、字节序和BOM。

UTF-8

UTF-8以字节为单位对Unicode进行编码。从Unicode到UTF-8的编码方式如下：

Unicode编码（十六进制）║UTF-8字节流（二进制）
F ║0xxxxxxxx║110xxxxx 10xxxxxx║1110xxxx 10xxxxxx 10xxx10xxxx║11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。UTF-8编码的最大长度是4个字节。从上表可以看出，4字节模板有21个x，即可以容纳21位二进制数字。Unicode的最大码位0x10FFFF也只有21位。

例1：“汉”字的Unicode编码是0x6C49。0x6C49在0x0800-0xFFFF之间，使用用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将0x6C49写成二进制是：0110 1100 0100 1001，用这个比特流依次代替模板中的x，得到：1110 0110 1011 0001 1000 1001，即E6 B1 89。

例2：Unicode编码0x20C30在0x010000-0x10FFFF之间，使用用4字节模板了：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx。将0x20C30写成21位二进制数字（不足21位就在前面补0）：0 0010 0000 1100 0011 0000，用这个比特流依次代替模板中的x，得到：，即F0 A0 B0 B0。

UTF-16

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：
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）。

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：1101 1000 0100 0011 和 1101 1100 0011 0000，即0xD843 0xDC30。

按照上述规则，Unicode编码0x10000-0x10FFFF的UTF-16编码有两个WORD，第一个WORD的高6位是110110，第二个WORD的高6位是110111。可见，第一个WORD的取值范围（二进制）是到1111111111，即0xD800-0xDBFF。第二个WORD的取值范围（二进制）是到11011111 11111111，即0xDC00-0xDFFF。

为了将一个WORD的UTF-16编码与两个WORD的UTF-16编码区分开来，Unicode编码的设计者将0xD800-0xDFFF保留下来，并称为代理区（Surrogate）：

D800－DB7F ║ High Surrogates ║ 高位替代
DB80－DBFF ║ High Private Use Surrogates ║ 高位专用替代
DC00－DFFF ║ Low Surrogates ║ 低位替代

高位替代就是指这个范围的码位是两个WORD的UTF-16编码的第一个WORD。低位替代就是指这个范围的码位是两个WORD的UTF-16编码的第二个WORD。那么，高位专用替代是什么意思？我们来解答这个问题，顺便看看怎么由UTF-16编码推导Unicode编码。

如果一个字符的UTF-16编码的第一个WORD在0xDB80到0xDBFF之间，那么它的Unicode编码在什么范围内？我们知道第二个WORD的取值范围是0xDC00-0xDFFF，所以这个字符的UTF-16编码范围应该是0xDB80 0xDC00到0xDBFF 0xDFFF。我们将这个范围写成二进制：
110100 - 11
按照编码的相反步骤，取出高低WORD的后10位，并拼在一起，得到
0 1111 1111 1111 1111
即0xe0000-0xfffff，按照编码的相反步骤再加上0x10000，得到0xf0000-0x10ffff。这就是UTF-16编码的第一个WORD在0xdb80到0xdbff之间的Unicode编码范围，即平面15和平面16。因为Unicode标准将平面15和平面16都作为专用区，所以0xDB80到0xDBFF之间的保留码位被称作高位专用替代。

UTF-32

UTF-32编码以32位无符号整数为单位。Unicode的UTF-32编码就是其对应的32位无符号整数。

字节序

根据字节序的不同，UTF-16可以被实现为UTF-16LE或UTF-16BE，UTF-32可以被实现为UTF-32LE或UTF-32BE。例如：

Unicode编码║ UTF-16LE ║ UTF-16BE ║ UTF32-LE ║ UTF32-BE
0x006C49 ║ 49 6C ║ 6C 49 ║ 49 6C 00 00 ║ 00 00 6C 49
0x020C30 ║ 43 D8 30 DC ║ D8 43 DC 30 ║ 30 0C 02 00 ║ 00 02 0C 30

如何判断字节流的字节序？Unicode标准建议用BOM（Byte Order Mark）来区分字节序，即在传输字节流前，先传输被作为BOM的字符"零宽无中断空格"。这个字符的编码是FEFF，而反过来的FFFE（UTF-16）和FFFE0000（UTF-32）在Unicode中都是未定义的码位，不应出现在实际传输中。下表是各种UTF编码的BOM：

UTF编码 ║ Byte Order Mark
UTF-8 ║ EF BB BF
UTF-16LE ║ FF FE
UTF-16BE ║ FE FF
UTF-32LE ║ FF FE 00 00
UTF-32BE ║ 00 00 FE FF

基本上，计算机只是处理数字。它们指定一个数字，来储存字母或其他字符。在创造Unicode之前，有数百种指定这些数字的编码系统。没有一个编码可以包含足够的字符：例如，单单欧州共同体就需要好几种不同的编码来包括所有的语言。即使是单一种语言，例如英语，也没有哪一个编码可以适用于所有的字母，标点符号，和常用的技术符号。这些编码系统也会互相冲突。也就是说，两种编码可能使用相同的数字代表两个不同的字符，或使用不同的数字代表相同的字符。任何一台特定的计算机（特别是服务器）都需要支持许多不同的编码，但是，不论什么时候数据通过不同的编码或平台之间，那些数据总会有损坏的危险。

编码范围

注：
3400-4DBF/4E00-9FFF/20000-3FFFF：CJK统一表意符号（CJK Unified Ideographs）
编码范围：说明
0000-007F：C0控制符及基本拉丁文（C0 Control and Basic Latin）
0080-00FF：C1控制符及拉丁文补充-1（C1 Control and Latin 1 Supplement）
0100-017F：拉丁文扩展-A（Latin Extended-A）
0180-024F：拉丁文扩展-B（Latin Extended-B）
0250-02AF：国际音标扩展（IPA Extensions）
02B0-02FF：空白修饰字母（Spacing Modifiers）
0300-036F：结合用读音符号（Combining Diacritics Marks）
0370-03FF：希腊文及科普特文（Greek and Coptic）
0400-04FF：西里尔字母（Cyrillic）
0500-052F：西里尔字母补充（Cyrillic Supplement）
0530-058F：亚美尼亚语（Armenian）
0590-05FF：希伯来文（Hebrew）
0600-06FF：阿拉伯文（Arabic）
0700-074F：叙利亚文（Syriac）
0750-077F：阿拉伯文补充（Arabic Supplement）
0780-07BF：马尔代夫语（Thaana）
07C0-077F：西非书面语言（N’Ko）
0800-085F：阿维斯塔语及巴列维语（Avestan and Pahlavi）
0860-087F：Mandaic
0880-08AF：撒马利亚语（Samaritan）
0900-097F：天城文书（Devanagari）
0980-09FF：孟加拉语（Bengali）
0A00-0A7F：古木基文（Gurmukhi）
0A80-0AFF：古吉拉特文（Gujarati）
0B00-0B7F：奥里亚文（Oriya）
0B80-0BFF：泰米尔文（Tamil）
0C00-0C7F：泰卢固文（Telugu）
0C80-0CFF：卡纳达文（Kannada）
0D00-0D7F：马拉雅拉姆语（Malayalam）
0D80-0DFF：僧伽罗语（Sinhala）
0E00-0E7F：泰文（Thai）
0E80-0EFF：老挝文（Lao）
0F00-0FFF：藏文（Tibetan）
1000-109F：缅甸语（Myanmar）
10A0-10FF：格鲁吉亚语（Georgian）
1100-11FF：朝鲜文字母（Hangul Jamo）
1200-137F：埃塞俄比亚语（Ethiopic）
1380-139F：埃塞俄比亚语补充（Ethiopic Supplement）
13A0-13FF：切罗基语（Cherokee）
1400-167F：统一加拿大土著语音节（Unified Canadian Aboriginal Syllabics）
1680-169F：欧甘字母（Ogham)
16A0-16FF：如尼文（Runic）
1700-171F：塔加洛语 （Tagalog）
1720-173F：Hanunóo
1740-175F：Buhid
1760-177F：Tagbanwa
1780-17FF：高棉语（Khmer）
1800-18AF：蒙古文（Mongolian）
18B0-18FF：Cham
1900-194F：Limbu
1950-197F：德宏傣语（Tai Le）
1980-19DF：新傣仂语（New Tai Lue）
19E0-19FF：高棉语记号（Khmer Symbols）
1A00-1A1F：Buginese
1A20-1A5F：Batak
1A80-1AEF：Lanna
1B00-1B7F：巴厘语（Balinese）
1B80-1BB0：巽他语（Sundanese）
1BC0-1BFF：Pahawh Hmong
1C00-1C4F：雷布查语（Lepcha）
1C50-1C7F：Ol Chiki
1C80-1CDF：曼尼普尔语（Meithei/Manipuri）
1D00-1D7F：语音学扩展（Phonetic Extensions）
1D80-1DBF：语音学扩展补充（Phonetic Extensions Supplement）
1DC0-1DFF：结合用读音符号补充（Combining Diacritics Marks Supplement）
1E00-1EFF：拉丁文扩充附加（Latin Extended Additional）
1F00-1FFF：希腊语扩充（Greek Extended）
2000-206F：常用标点（General Punctuation）
2070-209F：上标及下标（Superscripts and Subscripts）
20A0-20CF：货币符号（Currency Symbols）
20D0-20FF：组合用记号（Combining Diacritics Marks for Symbols）
2100-214F：字母式符号（Letterlike Symbols）
2150-218F：数字形式（Number Form）
2190-21FF：箭头（Arrows）
2200-22FF：数学运算符（Mathematical Operator）
2300-23FF：杂项工业符号（Miscellaneous Technical）
2400-243F：控制图片（Control Pictures）
2440-245F：光学识别符（Optical Character Recognition）
2460-24FF：封闭式字母数字（Enclosed Alphanumerics）
2500-257F：制表符（Box Drawing）
2580-259F：方块元素（Block Element）
25A0-25FF：几何图形（Geometric Shapes）
2600-26FF：杂项符号（Miscellaneous Symbols）
2700-27BF：印刷符号（Dingbats）
27C0-27EF：杂项数学符号-A（Miscellaneous Mathematical Symbols-A）
27F0-27FF：追加箭头-A（Supplemental Arrows-A）
2800-28FF：盲文点字模型（Braille Patterns）
2900-297F：追加箭头-B（Supplemental Arrows-B）
2980-29FF：杂项数学符号-B（Miscellaneous Mathematical Symbols-B）
2A00-2AFF：追加数学运算符（Supplemental Mathematical Operator）
2B00-2BFF：杂项符号和箭头（Miscellaneous Symbols and Arrows）
2C00-2C5F：格拉哥里字母（Glagolitic）
2C60-2C7F：拉丁文扩展-C（Latin Extended-C）
2C80-2CFF：古埃及语（Coptic）
2D00-2D2F：格鲁吉亚语补充（Georgian Supplement）
2D30-2D7F：提非纳文（Tifinagh）
2D80-2DDF：埃塞俄比亚语扩展（Ethiopic Extended）
2E00-2E7F：追加标点（Supplemental Punctuation）
2E80-2EFF：CJK部首补充（CJK Radicals Supplement）
2F00-2FDF：康熙字典部首（Kangxi Radicals）
2FF0-2FFF：表意文字描述符（Ideographic Description Characters）
3000-303F：CJK符号和标点（CJK Symbols and Punctuation）
3040-309F：日文平假名（Hiragana）
30A0-30FF：日文片假名（Katakana）
3100-312F：注音字母（Bopomofo）
3130-318F：朝鲜文兼容字母（Hangul Compatibility Jamo）
3190-319F：象形字注释标志（Kanbun）
31A0-31BF：注音字母扩展（Bopomofo Extended）
31C0-31EF：CJK笔画（CJK Strokes）
31F0-31FF：日文片假名语音扩展（Katakana Phonetic Extensions）
3200-32FF：封闭式CJK文字和月份（Enclosed CJK Letters and Months）
3300-33FF：CJK兼容（CJK Compatibility）
3400-4DBF：CJK统一表意符号扩展-A（CJK Unified Ideographs Extension-A）
4DC0-4DFF：易经六十四卦符号（Yijing Hexagrams Symbols）
4E00-9FFF：CJK统一表意符号（CJK Unified Ideographs）
A000-A48F：彝文音节（Yi Syllables）
A490-A4CF：彝文字根（Yi Radicals）
A500-A61F：Vai
A660-A6FF：统一加拿大土著语音节补充（Unified Canadian Aboriginal Syllabics Supplement）
A700-A71F：声调修饰字母（Modifier Tone Letters）
A720-A7FF：拉丁文扩展-D（Latin Extended-D）
A800-A82F：Syloti Nagri
A840-A87F：八思巴字（Phags-pa）
A880-A8DF：Saurashtra
A900-A97F：爪哇语（Javanese）
A980-A9DF：Chakma
AA00-AA3F：Varang Kshiti
AA40-AA6F：Sorang Sompeng
AA80-AADF：Newari
AB00-AB5F：越南傣语（Vi?t Thái）
AB80-ABA0：Kayah Li
AC00-D7AF：朝鲜文音节（Hangul Syllables）
D800-DBFF：High-half zone of UTF-16
DC00-DFFF：Low-half zone of UTF-16
E000-F8FF：自行使用区域（Private Use Zone）
F900-FAFF：CJK兼容象形文字（CJK Compatibility Ideographs）
FB00-FB4F：字母表达形式（Alphabetic Presentation Form）
FB50-FDFF：阿拉伯表达形式A（Arabic Presentation Form-A）
FE00-FE0F：变量选择符（Variation Selector）
FE10-FE1F：竖排形式（Vertical Forms）
FE20-FE2F：组合用半符号（Combining Half Marks）
FE30-FE4F：CJK兼容形式（CJK Compatibility Forms）
FE50-FE6F：小型变体形式（Small Form Variants）
FE70-FEFF：阿拉伯表达形式B（Arabic Presentation Form-B）
FF00-FFEF：半型及全型形式（Halfwidth and Fullwidth Form）
FFF0-FFFF：特殊（Specials）
10000–1FFFF：第1辅助平面，多文种补充平面（Supplementary Multilingual Plane, SMP）
20000–2FFFF：第2辅助平面，表意文字补充平面（Supplementary Ideographic Plane, SIP）
30000–3FFFF：第3辅助平面，表意文字第三平面（Tertiary Ideographic Plane, TIP）
40000–DFFFF：第4-13辅助平面，尚未使用
E0000–EFFFF：第14辅助平面，特别用途补充平面（Supplementary Special-purpose Plane, SSP）
F0000–FFFFF：第15辅助平面，保留作为私人使用区（Private Use Area, PUA）
100000–10FFFF：第16辅助平面，保留作为私人使用区（Private Use Area, PUA）

---

了解更多知识和教程，请关注CSDN用户 @钜铠。如果喜欢这篇文章的话，请不要吝惜你的一个赞吧！谢谢！