田海立@CSDN

2012-04-25

本文主要討論Unicode的編碼及其各種實(shí)現(xiàn)，著重討論UTF-16,，UTF-8的實(shí)現(xiàn)規(guī)則,，以及Big-endian和Little-Endian的存儲(chǔ)順序。

一,、Unicode編碼

        Unicode出現(xiàn)之前已經(jīng)有各種編碼標(biāo)準(zhǔn)：ANSI,、ISO8859-1、GB2312,、GBK以及BIG-5等,。Unicode試圖統(tǒng)一各種編碼，在Unicode演進(jìn)過程中，也有自身不斷修復(fù)的過程：剛開始的時(shí)候用16位表達(dá)65535個(gè)字符,，認(rèn)為已經(jīng)足夠收集所有的字符,；后來隨著大量中文、韓文和日文等表意文字的加入,，已經(jīng)超出了65535個(gè)字符,，16位已經(jīng)不能描述所有的字符集了。

        在Unicode字符集中的某個(gè)字符對(duì)應(yīng)的代碼值,，稱作代碼點(diǎn)（Code Point）,，用16進(jìn)制書寫,，并加上U+前綴,。比如，‘田’的代碼點(diǎn)是U+7530,；‘A’的代碼點(diǎn)是U+0041,。

        Unicode定義的字符集已經(jīng)超過16位所能表達(dá)的范圍，把所有這些CodePoint分成17個(gè)代碼平面（Code Plane）：

• U+0000 ~ U+FFFF劃入基本多語言平面（Basic MultilingualPlane,，簡(jiǎn)記為BMP）,；
• 其余劃入16個(gè)輔助平面（Supplementary Plane），代碼點(diǎn)范圍U+10000 ~ U+10FFFF,。

        雖然這樣劃分,，但并不是每個(gè)Plane中的Code point都對(duì)應(yīng)有字符，這里面有保留的,，還有特殊用途的,。

二、Unicode編碼的實(shí)現(xiàn)

        Unicode的實(shí)現(xiàn)方式不同于編碼方式,。一個(gè)字符的Unicode編碼是確定的,，但是在實(shí)際存儲(chǔ)和傳輸過程中，由于不同系統(tǒng)平臺(tái)的設(shè)計(jì)不一定一致,，以及出于節(jié)省空間的目的,，對(duì)Unicode編碼的實(shí)現(xiàn)方式有所不同。Unicode的實(shí)現(xiàn)方式稱為Unicode轉(zhuǎn)換格式（Unicode Transformation Format,，簡(jiǎn)稱為UTF）,。

        對(duì)Unicode編碼的主要有UTF-16BE、UTF-16LE,、UTF-8,、UTF-7以及UTF-32等實(shí)現(xiàn)方式，目前常用的實(shí)現(xiàn)方式是UTF-16LE,、UTF-16BE和UTF-8,。

2.1 UTF-16

        UTF-16是用16bit編碼來表達(dá)Unicode，這樣表達(dá)范圍是2¹⁶（即65536），也就是UTF-16的代碼單元（Code Unit）為16bits,。如果表達(dá)BMP內(nèi)的字符,，用一個(gè)UTF-16的Code Unit就可表達(dá)，對(duì)于輔助平面內(nèi)的字符,，UTF-16有巧妙的設(shè)計(jì),。

        落在BMP內(nèi)，從U+D800到U+DFFF之間的Code Point區(qū)段是永久保留不映射到字符,， UTF-16利用這保留下來的0xD800-0xDFFF區(qū)段的CodePoint來對(duì)輔助平面內(nèi)的字符的Code Point進(jìn)行編碼,。

對(duì)U+0000.. U+D7FF以及U+E000.. U+FFFF的編碼

        UTF-16與UCS-2對(duì)這個(gè)范圍內(nèi)的CodePoint進(jìn)行編碼，采用單個(gè)16bit長(zhǎng)的CodeUnit,，數(shù)值等價(jià)于對(duì)應(yīng)的Code Point,。BMP中的這些Code Point是僅有的可以被UCS-2表示的Code Point。

對(duì)U+10000.. U+10FFFF的編碼

        輔助平面(Supplementary Planes)中的CodePoint,，在UTF-16中被編碼為一對(duì)16bit長(zhǎng)的Code Unit（即32bit,，4Bytes），稱作代理對(duì)(surrogate pair),。

 具體方法是：

1. Code Point減去0x10000,， 得到的值是長(zhǎng)度為20bit（0..0xFFFFF）；
2. 步驟1得到數(shù)值的高位的10比特的值（值范圍為0..0x3FF）被加上0xD800得到第一個(gè)Code Unit或稱作高位代理（high surrogate）或前導(dǎo)代理（lead surrogate）,。取值范圍是0xD800..0xDBFF,。
3. 步驟1得到數(shù)值的低位的10比特的值（值范圍為0..0x3FF）被加上0xDC00得到第二個(gè)Code Unit或稱作低位代理（low surrogate）或后尾代理（trail surrogate）。取值范圍是0xDC00..0xDFFF,。

        這樣,，這個(gè)范圍內(nèi)的字符就被編碼成了一個(gè)代理對(duì)[lead surrogate,trail surrogate]：兩個(gè)16bits的Code Unit，取值范圍分別是0xD800..0xDBFF和0xDC00..0xDFFF,。而BMP中得到的Code Unit的范圍是0x0000..0xFFFF（0xD800..0xDFFF是保留的,，不包含其中），所以這三個(gè)區(qū)段是相互不重疊的,，在解碼時(shí)很容易實(shí)現(xiàn),。

        UTF-16解碼[高位代理+低位代理]得到的Code Unit對(duì)與Code Point的對(duì)應(yīng)關(guān)系如上表所示。

        下面以對(duì)U+64321的UTF-16編碼為例,，看一下對(duì)于輔助平面內(nèi)的字符是如何編碼的：

        所以,，這個(gè)字 U+64321 最終的 UTF-16 編碼是：

        UTF-16的Code Unit是16bits，兩個(gè)字節(jié),。存儲(chǔ)一個(gè)Code Unit的時(shí)候,，還有存取的先后順序問題，也就是Endian問題,，這在后面章節(jié)講述,。

2.2 UTF-8

        UTF-8（8-bit Unicode Transformation Format）是一種針對(duì)Unicode的可變長(zhǎng)度字符編碼,，使用一至四個(gè)字節(jié)為每個(gè)字符編碼：

•  Unicode范圍為U+0000..U+007F 的128個(gè)ASCII字符只需一個(gè)字節(jié)編碼；
•  Unicode范圍為U+0080..U+07FF的字符需要二個(gè)字節(jié)編碼,；
•  Unicode范圍為U+0800..U+FFFF的其他BMP中的字符（這包含了大部分常用字）使用三個(gè)字節(jié)編碼,；
•  Unicode 輔助平面的字符（其他極少使用的字符）使用四字節(jié)編碼。

        對(duì)上述提及的第四種字符而言,，UTF-8使用四個(gè)字節(jié)來編碼似乎太耗費(fèi)資源了,。但UTF-8對(duì)所有常用的字符都只用三個(gè)字節(jié)表達(dá)，而且UTF-16編碼對(duì)前述的第四種字符同樣需要四個(gè)字節(jié)來編碼,，而如果是ASCII居多的字符,，UTF-8能極大的節(jié)約存儲(chǔ)空間。UTF-8逐漸成為電子郵件,、網(wǎng)頁及其他儲(chǔ)存或傳送文字的應(yīng)用中,，優(yōu)先采用的編碼?；ヂ?lián)網(wǎng)工程工作小組（IETF）要求所有互聯(lián)網(wǎng)協(xié)議都必須支持UTF-8編碼,?；ヂ?lián)網(wǎng)郵件聯(lián)盟（IMC）建議所有電子郵件軟件都支持UTF-8編碼,。

        對(duì)CodePoint各個(gè)范圍內(nèi)的字符進(jìn)行UTF-8編碼的規(guī)則如下：

其中，U+D800到U+DFFF之間的區(qū)段在Unicode字符集的定義中沒有具體字符使用的,，被用來在UTF-16編碼中對(duì)輔助平面的字符進(jìn)行編碼,。

        下面以“田”（Code Point為U+7530）為例，看如何對(duì)其進(jìn)行UTF-8編碼：

•  U+7530落在U+0800..U+FFFF區(qū)間,，采用三字節(jié)編碼,；
•  0x7530轉(zhuǎn)換為二進(jìn)制為111 010100 110000；
•  代入表中,，得到111001111001010010110000,；

        這樣，得到“田”（U+7530）的UTF-8編碼：0xE7 94 B0,。

        知道UTF-8的編碼規(guī)則,，我們可以對(duì)于UTF-8編碼中的任意字節(jié)B，進(jìn)行下面解碼：

•  如果B的第一位為0,，則B為ASCII碼,，并且B獨(dú)立的表示一個(gè)字符；如果B的第一位為1,，第二位為0,，則B為一個(gè)非ASCII字符（該字符由多個(gè)字節(jié)表示）中的一個(gè)字節(jié)，并且不為字符的第一個(gè)字節(jié)編碼（字符的第一個(gè)字節(jié)之外的后編碼）,；
•  如果B的前兩位為1,，第三位為0,，則B為一個(gè)非ASCII字符（該字符由多個(gè)字節(jié)表示）中的第一個(gè)字節(jié)，并且該字符由兩個(gè)字節(jié)表示,；
•  如果B的前三位為1,，第四位為0，則B為一個(gè)非ASCII字符（該字符由多個(gè)字節(jié)表示）中的第一個(gè)字節(jié),，并且該字符由三個(gè)字節(jié)表示,；
•  如果B的前四位為1，第五位為0,，則B為一個(gè)非ASCII字符（該字符由多個(gè)字節(jié)表示）中的第一個(gè)字節(jié),，并且該字符由四個(gè)字節(jié)表示。

2.3 UCS-2 vs UTF-16,，UCS-4 vs UTF-32

        UCS-2每個(gè)字符占用2個(gè)字節(jié),。UCS-2是UTF-16的子集。在沒有輔助平面前,，UTF-16與UCS-2所指的是同一的意思,。但當(dāng)引入輔助平面字符后，UTF-16加入了對(duì)輔助平面內(nèi)的字符的支持?，F(xiàn)在若有軟件聲稱自己支持UCS-2編碼,，那其實(shí)是暗指它不支持UTF-16中超過2bytes的字集。亦即,，對(duì)于小于0x10000的UCS碼,，UTF-16編碼就等于UCS碼。Java早期版本對(duì)Unicode的支持,，就只是UCS-2的支持,，現(xiàn)在加入了對(duì)UTF-16的完整支持。

        UCS-4與UTF-32的意義一致,，對(duì)每個(gè)字符都使用4字節(jié)（31位字符集,，加上恒為0的首位，共需占據(jù)32位）,。理論上最多能表示2³¹個(gè)字符,，完全可以涵蓋一切語言所用的符號(hào)。雖然每一個(gè)Code Point使用固定長(zhǎng)定的字節(jié)看似方便,，對(duì)于普通只需要2個(gè)字節(jié)存儲(chǔ)的常用字占絕大對(duì)數(shù)的字符集來說,，卻極大的浪費(fèi)了空間，并沒怎么得到應(yīng)用,。

三,、Big-Endian/Little-Endian與BOM

        在講UTF-16編碼方式時(shí)說到，UTF-16編碼的Code Unit是2個(gè)字節(jié),，這兩個(gè)字節(jié)在傳輸和存儲(chǔ)過程中,，高/低位位置不同,，是不同的字符。比如,，“田”的UTF-16編碼是0x7530,，但是如果存成0x3075，就變成了“ふ”,，成了另外的字符,。

        所以，為了識(shí)別一個(gè)編碼過的字符的存儲(chǔ)順序,，必須用特殊字符來指示,。Unicode字符中U+FEFF被用來指示這種存儲(chǔ)順序，被稱作Byte Order Mark（BOM）,。

•  Big-Endian：最低位地址存放高位字節(jié),，可稱高位優(yōu)先，內(nèi)存從最低地址開始按順序存放（高數(shù)位數(shù)字先寫）,。最高位字節(jié)放最前面,。
•  Little Endian：最低位地址存放低位字節(jié)，可稱低位優(yōu)先,，內(nèi)存從最低地址開始按順序存放（低數(shù)位數(shù)字先寫）,。最低位字節(jié)放最前面。

        BOM在Big-Endian系統(tǒng)上存儲(chǔ)為FE FF,；而在Big-Endian系統(tǒng)上存儲(chǔ)則為FF FE,。所以在以Big-Endian存儲(chǔ)的UTF-16（UTF-16BE）的文件的開頭，用FEFF指示,；以Little-Endian存儲(chǔ)的UTF-16（UTF-16LE）的文件的開頭，用FFFE指示,。

        BOM的UTF-8編碼為11101111 1011101110111111 (EF BB BF),，所以一般EF BB BF被放在文本的開頭，用來指示其編碼為UTF-8,。

四,、Unicode編碼實(shí)踐

        在Windows的文本編輯工具記事本上，選擇“另存為”的時(shí)候,，用戶可以選擇不同的編碼選項(xiàng),，對(duì)應(yīng)編碼選項(xiàng)有“ANSI”，“Unicode”,，“Unicode big endian”,，以及“UTF-8”。因?yàn)閃indows的存儲(chǔ)方式是Little-Endian,，所以“Unicode”,，“Unicode big endian”對(duì)應(yīng)的分別是UTF-16LE和UTF-16BE,。

        讀者可以試著編寫一串字符，然后分別用不同的編碼保存,，再用可以16進(jìn)制編寫的純文本編輯工具（如,，Ultra-edit）來檢驗(yàn)一下具體的編碼實(shí)現(xiàn)和存儲(chǔ)順序。下面是筆者將“田海立（U+7530, U+6D77, U+7ACB）”以不同編碼方式保存,，得到的結(jié)果：

        為了明確起見,，BOM的編碼用粗體標(biāo)注；田的編碼用紅色標(biāo)注,；海的編碼用綠色標(biāo)注,；立的編碼用藍(lán)色標(biāo)注?？梢钥吹?，記事本（Notepad）存儲(chǔ)的Unicode編碼的文件的開頭位置，用BOM的相應(yīng)編碼指示了編碼格式,。

【后記】歷史

        最近需要用到Unicode的編碼實(shí)現(xiàn)方式,，又收集了一下資料。發(fā)現(xiàn)早在06年的時(shí)候,，筆者就準(zhǔn)備總結(jié)一下Unicode的編碼實(shí)現(xiàn),，文檔里也已經(jīng)有了提綱。現(xiàn)在也不記得當(dāng)時(shí)什么原因給耽擱了,，好在現(xiàn)在及時(shí)總計(jì)歸納,。好腦子不如爛筆頭啊。如果當(dāng)初總結(jié)下來,，現(xiàn)在也不用再浪費(fèi)時(shí)間收集資料,。

        希望，這次的總結(jié)能比較完善,，以后再用到Unicode編碼,，只要參考此文即可！（當(dāng)然前提是Unicode標(biāo)準(zhǔn)別又演進(jìn)了^_^）

【附】基本概念對(duì)照

1. Code Point代碼點(diǎn)或碼位
2. Code Unit代碼單元或碼元,，是指一個(gè)已編碼的文本中具有最短的比特組合的單元,。對(duì)于UTF-8來說，碼元是8比特長(zhǎng),；對(duì)于UTF-16來說,，碼元是16比特長(zhǎng)；對(duì)于UTF-32來說,，碼元是32比特長(zhǎng),。
3. BMP - Basic Multilingual Plane
4. UTF - Unicode Transformation Format
5. BOM – Byte Order Mark
6. UCS - Universal Character Set