Unicode编码

介绍 Unicode 编码

Unicode 的全称是 Unicode 标准(The Unicode Standard)。

Unicode 又被称为:统一码、万国码、统一字元码、统一字符编码。

Unicode 至今仍在不断增修,每个新版本都加入更多新的字符。目前 Unicode 最新的版本为 2021 年 9 月 14 日公布的 14.0.0,已经收录超过 14 万个字符。


技术是为了解决问题而生的,Unicode 编码解决了什么问题,它的作用是什么呢?

  • Unicode 为解决传统字符编码方案的局限而产生。传统字符编码方案的局限是:它们只能表示一种语言的字符,而不能表示多种语言的字符,这就导致了不同语言的字符无法混合出现在一个文本中。

  • Unicode 编码了世界上大部分的文字系统,使得电脑能以通用的编码方案来处理多种语言混合出现的文本。

Unicode 的编码和实现

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。

十大设计原则

Wayback Machine (archive.org)

《The Unicode Standard Version 6.2 – Core Specification》文档给出了 Unicode 的十大设计原则:

  • Universality:提供单一、综合的字符集,编码一切现代与大部分历史文献的字符。

  • Efficiency:易于处理与分析。

  • Characters, not glyphs:字符,而不是字形。

  • Semantics:字符要有良好定义的语义。

  • Plain text:仅限于文本字符。

  • Logical order:默认内存表示是其逻辑序。

  • Unification:把不同语言的同一书写系统(scripts)中相同字符统一起来。

  • Dynamic composition:附加符号可以动态组合。

  • Stability:已分配的字符与语义不再改变。

  • Convertibility:Unicode 与其他著名字符集可以精确转换。

Unicode 的编码方式

Unicode 为每一个有效字符定义一个唯一的代码点(code point,即一个整数)。通常使用十六进制表示法来表示 Unicode 代码点,并使用 "U+" 作为前缀。比如,“字母 a” 的 Unicode 代码点是 U+0061。

Unicode 的实现方式

Unicode 的实现方式不同于编码方式。一个字符的 Unicode 编码结果确定,但是在实际传输过程中,由于不同系统平台的设计不一定一致,以及出于节省空间的目的,对 Unicode 编码的实现方式有所不同。

系统平台指的是:在电脑里让软件运行的系统环境,包括硬件环境 和 软件环境。

Mac 和 Windows 对字节序的理解不一致。这时同一字节序列可能会被 Mac 和 Win 解码为不同内容,比如某字符的代码点为 4E59,按两个字节拆分为 4E 和 59:

  • 在 Mac 上是从低字节开始读取,那么 Mac 会认为此 4E59 编码为 594E,找到的字符为 “奎”;

  • 在 Windows 上是从高字节开始读取,那么 Mac 会认为此 4E59 编码为 4E59,找到的字符为 “乙”。

字节序指的是:数据在存储和传输时的字节顺序,也就是字节的排列顺序。


Unicode 的实现方式称为 Unicode 转换格式(Unicode Transformation Format,简称为 UTF)。Unicode 相当于规定了字符对应的代码点,这个代码点需要转换为字节序列的形式去存储、传输。

Unicode 常见的实现方式有:UTF-8、UTF-16小端序(LE)、UTF-16大端序(BE)、UTF-32

在这几种实现方式的名称中,“-” 右边的整数的含义是:以多少个比特位作为一个编码单元。以 UTF-8 为例,它会以 8 个比特(一个字节)作为一个编码单元。

介绍 Unicode 字符平面映射

Unicode 的编码空间从 U+0000 到 U+10FFFF,共有 1,112,064 个代码点(code point)可用来映射字符。Unicode 字符 和 代码点是一对一映射的。

Unicode 将编码空间分成 17 个平面,以 0 到 16 编号。每个平面包含 65536(216)个代码点。

  • 第 0 平面被称为 “基本多文种平面”;

  • 第 1 - 16 平面被称为 “辅助平面”。

第 0 平面(或者说基本多文种平面)中的码点,都可以用一个 UTF-16 单位来编码,或者以 UTF-8 来编码的话,会使用一、二 或 三 个字节。而第 1 到 16 平面(或称辅助平面)中的码点,UTF-16 会以代理对的方式来使用,而 UTF-8 则会编码成 4 个字节。

平面 始末字符值 中文名称
0号平面 U+0000 - U+FFFF 基本多文种平面
1号平面 U+10000 - U+1FFFF 多文种补充平面
2号平面 U+20000 - U+2FFFF 表意文字补充平面
3号平面 U+30000 - U+3FFFF 表意文字第三平面
4号平面 至 13号平面 U+40000 - U+DFFFF (尚未使用)
14号平面 U+E0000 - U+EFFFF 特别用途补充平面
15号平面 U+F0000 - U+FFFFF 保留作为私人使用区(A区)
16号平面 U+100000 - U+10FFFF 保留作为私人使用区(B区)

参考资料

Unicode - 维基百科,自由的百科全书 (wikipedia.org)

Unicode字符平面映射 - 维基百科,自由的百科全书 (wikipedia.org)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,544评论 6 501
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,430评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,764评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,193评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,216评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,182评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,063评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,917评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,329评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,543评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,722评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,425评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,019评论 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,671评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,825评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,729评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,614评论 2 353

推荐阅读更多精彩内容