本節(jié)知識體系

Unicode字符集（Unicode字符編碼）

代碼點

Unicode標準的本意很簡單：希望給世界上每一種文字系統(tǒng)的每一個字符，都分配一個唯一的整數,，這些整數叫做代碼點（Code Points）,。也叫字符的編碼，字符的編號,。

代碼空間

所有的代碼點構成一個代碼空間（Code Space）,，根據Unicode定義，總共有1,114,112個代碼點,，編號從0x0到0x10FFFF,。換句話說，如果每個代碼點都能夠代表一個有效字符的話,，Unicode標準最多能夠編碼1,114,112,，也就是大概110多萬個字符。最新的Unicode標準（7.0）已經給超過11萬個字符分配了代碼點,。

代碼平面

Unicode標準把代碼點分成了17個代碼平面（Code Plane）,，編號為#0到#16,。每個代碼平面包含65,536（2^16）個代碼點（17*65,536=1,114,112）。其中,，Plane#0叫做基本多語言平面（Basic Multilingual Plane,，BMP），其余平面叫做補充平面（Supplementary Planes）,。Unicode7.0只使用了17個平面中的6個,，并且給這6個平面起了名字，如下圖所示：

ASCII總共有128個字符,，占據了BMP的前128個代碼點。

代碼組

因為兩個使用了相同的字庫和字碼,。Unicode（和UCS）使用4字節(jié)編碼字符,，但是高字節(jié)的最高一位不參與編碼，也就是31位,。Unicode（UCS）31位bit如何劃分,？unicode（UCS）根據字節(jié)的先后順序將四個字節(jié)分為四個部分。如下：

第一個字節(jié)后七位用來分組,，共128組,，第二個字節(jié)用來分平面，共256平面,，每個平面有256行,，每行有256碼位，也就是每個平面有65536（2的16次方）個碼位,，碼位中字符的編碼并不是順序編碼,，中間有空碼位。這種分組分面的做法原本是UCS的做法,，但后來統(tǒng)一后,，Unicode也采用了這種方式。

Unicode只使用第0組（group）的第0-16平面（第0組的第0平面叫做基本平面,，其他平面叫做輔助平面）,，其他平面不使用，那UCS也保證不給其他平面中的碼位賦值,，中文常見字符主要位于第二平面而且第二平面上貌似也只有中文,，不常見字符在后面其他平面也有分布，所以,，使用UTF-8編碼的話,，中文可能使用3-4個字節(jié)編碼，使用UTF-16編碼,，中文使用4個字節(jié)編碼,，使用UTF-32編碼，中文使用4字節(jié)編碼。

在Unicode碼表中,，使用了UCS的第0組前17個面,，而主要字符又集中在第0組的第0面（基本平面），也就是說最常用的字符1-3個字節(jié)就能夠表示,，對于一些特定語言的字符則使用的更少,，如英語使用1個字節(jié)表示，中文大部分位于第二平面,。

Unicode沒有規(guī)定字符對應的二進制碼如何存儲,。比如一個字符它的 Unicode 碼點是 0x6c49，對應的二進制數是 110110001001001,，二進制數有 15 位,，這也就說明了它至少需要 2 個字節(jié)來表示?？梢韵胂?，在 Unicode 字典中往后的字符可能就需要 3 個字節(jié)或者 4 個字節(jié)，甚至更多字節(jié)來表示了,。UTF-8,、UTF-16、UTF-32都是將數字轉換到程序數據的編碼方案,。

UTF的英文全稱叫做Unicode Transformation Format,，中文直譯為Unicode轉換格式。