Unicode字符集

我就是我 2022-07-15 10:07 248阅读 0赞

> 最近研究String类的源码时，看到一个构造方法  
> `public String(int[] codePoints, int offset, int count)`,好奇之下进入查看发现是将Unicode转为字符串的方法。再细细查看，发现```Character.isBmpCodePoint(c)``Character.isValidCodePoint(c)```，先说几个概念

### **1.几个概念** ###

*  Unicode 统一编码 0x000000-0x10ffff，其中0x0000-0xffff为基本多语言平面字符
 *  bmp 基本多语言平面字符，对应Unicode中0x0000-0xffff
 *  bom (byte order mark ) 类似于魔数，在Unicode中用来区分big endian和little endian.在UTF-8编码中，可以作为魔数。
 *  Unicode的UCS-2标准中汉字范围为U+4e00-U+9fa5;总共有20902个汉字
 *  Unicode码空间为U+0000到U+10FFFF，一共有17个平面，每个平面可容下65536个code point。也就是17\*65536=1,114,112。但是其中的U+D800-U+DFFF作为UTF-16编码代理区保留，也就是它们不会作为code point分配给字符，保留数目是8\*256=2048。

### **2.几个方法** ###

*  `Character.isBmpCodePoint(c)` Unicode中0x0000-0xffff

return codePoint >>> 16 == 0;

*  `Character.isValidCodePoint(c)` 判断是否为Unicode

int plane = codePoint >>> 16;
     return plane < ((MAX_CODE_POINT + 1) >>> 16);

*  >>>是指无符号类型右移

### **3.代码实现** ###

*  (1) 如果在BMP级别中，那么16bits(一个代码单元)就足够表示出字符的Unicode值。
 *  ¡(2) 如果U+10FFFF>U>=U+10000，也就是处于增补字符级别中。UTF-16用2个16位来表示出了，并且正好将每个16位都控制在替代区域U+D800-U+DFFF（其中\\uD800-\\uDBFF为高代理项 范围，\\uDC00- \\uDFFF为低代理项 范围） 中。

public static final char MIN_LOW_SURROGATE  = '\uDC00';
    return (char) ((codePoint & 0x3ff)+MIN_LOW_SURROGATE);
    
    public static final char MIN_HIGH_SURROGATE = '\uD800';
    public static final int MIN_SUPPLEMENTARY_CODE_POINT = 0x010000;
    
    public static char highSurrogate(int codePoint) {
      return (char) ((codePoint >>> 10)+ (MIN_HIGH_SURROGATE - (MIN_SUPPLEMENTARY_CODE_POINT >>> 10)));
        }

解释：  
\\uDC00+0x3FF=\\uDFFF,正好代理低10位；  
\\uD800

## **3.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(16进制)　║　UTF-8 字节流(二进制)  
000000 - 00007F　║　0xxxxxxx  
000080 - 0007FF　║　110xxxxx 10xxxxxx  
000800 - 00FFFF　║　1110xxxx 10xxxxxx 10xxxxxx  
010000 - 10FFFF　║　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：11100110 10110001 10001001，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：11110000 10100000 10110000 10110000，即F0 A0 B0 B0。

## **4.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：1101100001000011 1101110000110000，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11011000 00000000到11011011 11111111，即0xD800-0xDBFF。第二个WORD的取值范围（二进制）是11011100 00000000到11011111 11111111，即0xDC00-0xDFFF。
 *  **代理区**
    
    > 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。
 *  **高位专用替代是什么意思？怎么由UTF-16 编码推导Unicode编码。**
    
    > 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：  
    > 1101101110000000 11011100 00000000 - 1101101111111111 1101111111111111  
    > 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  
    > 1110 0000 0000 0000 0000 - 1111 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。

## **5.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
 *  那么，怎么判断字节流的字节序呢？
    
    > 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，不应该出现在实际传输中。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

--------------------