田海立@CSDN

2012-04-25

本文主要討論Unicode的編碼及其各種實(shí)現，著(zhù)重討論UTF-16，UTF-8的實(shí)現規則，以及Big-endian和Little-Endian的存儲順序。

一、Unicode編碼

        Unicode出現之前已經(jīng)有各種編碼標準：ANSI、ISO8859-1、GB2312、GBK以及BIG-5等。Unicode試圖統一各種編碼，在Unicode演進(jìn)過(guò)程中，也有自身不斷修復的過(guò)程：剛開(kāi)始的時(shí)候用16位表達65535個(gè)字符，認為已經(jīng)足夠收集所有的字符；后來(lái)隨著(zhù)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)字符對應的代碼值，稱(chēng)作代碼點(diǎn)（Code Point），用16進(jìn)制書(shū)寫(xiě)，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(guò)16位所能表達的范圍，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(yǔ)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都對應有字符，這里面有保留的，還有特殊用途的。

二、Unicode編碼的實(shí)現

        Unicode的實(shí)現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)際存儲和傳輸過(guò)程中，由于不同系統平臺的設計不一定一致，以及出于節省空間的目的，對Unicode編碼的實(shí)現方式有所不同。Unicode的實(shí)現方式稱(chēng)為Unicode轉換格式（Unicode Transformation Format，簡(jiǎn)稱(chēng)為UTF）。

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

2.1 UTF-16

        UTF-16是用16bit編碼來(lái)表達Unicode，這樣表達范圍是2¹⁶（即65536），也就是UTF-16的代碼單元（Code Unit）為16bits。如果表達BMP內的字符，用一個(gè)UTF-16的Code Unit就可表達，對于輔助平面內的字符，UTF-16有巧妙的設計。

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

對U+0000.. U+D7FF以及U+E000.. U+FFFF的編碼

        UTF-16與UCS-2對這個(gè)范圍內的CodePoint進(jìn)行編碼，采用單個(gè)16bit長(cháng)的CodeUnit，數值等價(jià)于對應的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16bit長(cháng)的Code Unit（即32bit，4Bytes），稱(chēng)作代理對(surrogate pair)。

 具體方法是：

1. Code Point減去0x10000， 得到的值是長(cháng)度為20bit（0..0xFFFFF）；
2. 步驟1得到數值的高位的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(chēng)作高位代理（high surrogate）或前導代理（lead surrogate）。取值范圍是0xD800..0xDBFF。
3. 步驟1得到數值的低位的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(chēng)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)范圍內的字符就被編碼成了一個(gè)代理對[lead surrogate,trail surrogate]：兩個(gè)16bits的Code Unit，取值范圍分別是0xD800..0xDBFF和0xDC00..0xDFFF。而B(niǎo)MP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)區段是相互不重疊的，在解碼時(shí)很容易實(shí)現。

        UTF-16解碼[高位代理+低位代理]得到的Code Unit對與Code Point的對應關(guān)系如上表所示。

        下面以對U+64321的UTF-16編碼為例，看一下對于輔助平面內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。存儲一個(gè)Code Unit的時(shí)候，還有存取的先后順序問(wèn)題，也就是Endian問(wèn)題，這在后面章節講述。

2.2 UTF-8

        UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長(cháng)度字符編碼，使用一至四個(gè)字節為每個(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)字節編碼；
•  Unicode范圍為U+0080..U+07FF的字符需要二個(gè)字節編碼；
•  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)字節編碼；
•  Unicode 輔助平面的字符（其他極少使用的字符）使用四字節編碼。

        對上述提及的第四種字符而言，UTF-8使用四個(gè)字節來(lái)編碼似乎太耗費資源了。但UTF-8對所有常用的字符都只用三個(gè)字節表達，而且UTF-16編碼對前述的第四種字符同樣需要四個(gè)字節來(lái)編碼，而如果是ASCII居多的字符，UTF-8能極大的節約存儲空間。UTF-8逐漸成為電子郵件、網(wǎng)頁(yè)及其他儲存或傳送文字的應用中，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CodePoint各個(gè)范圍內的字符進(jìn)行UTF-8編碼的規則如下：

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

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

•  U+7530落在U+0800..U+FFFF區間，采用三字節編碼；
•  0x7530轉換為二進(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的編碼規則，我們可以對于UTF-8編碼中的任意字節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)字節表示）中的一個(gè)字節，并且不為字符的第一個(gè)字節編碼（字符的第一個(gè)字節之外的后編碼）；
•  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)字節表示）中的第一個(gè)字節，并且該字符由兩個(gè)字節表示；
•  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)字節表示）中的第一個(gè)字節，并且該字符由三個(gè)字節表示；
•  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)字節表示）中的第一個(gè)字節，并且該字符由四個(gè)字節表示。

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。UCS-2是UTF-16的子集。在沒(méi)有輔助平面前，UTF-16與UCS-2所指的是同一的意思。但當引入輔助平面字符后，UTF-16加入了對輔助平面內的字符的支持?，F在若有軟件聲稱(chēng)自己支持UCS-2編碼，那其實(shí)是暗指它不支持UTF-16中超過(guò)2bytes的字集。亦即，對于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼。Java早期版本對Unicode的支持，就只是UCS-2的支持，現在加入了對UTF-16的完整支持。

        UCS-4與UTF-32的意義一致，對每個(gè)字符都使用4字節（31位字符集，加上恒為0的首位，共需占據32位）。理論上最多能表示2³¹個(gè)字符，完全可以涵蓋一切語(yǔ)言所用的符號。雖然每一個(gè)Code Point使用固定長(cháng)定的字節看似方便，對于普通只需要2個(gè)字節存儲的常用字占絕大對數的字符集來(lái)說(shuō)，卻極大的浪費了空間，并沒(méi)怎么得到應用。

三、Big-Endian/Little-Endian與BOM

        在講UTF-16編碼方式時(shí)說(shuō)到，UTF-16編碼的Code Unit是2個(gè)字節，這兩個(gè)字節在傳輸和存儲過(guò)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，為了識別一個(gè)編碼過(guò)的字符的存儲順序，必須用特殊字符來(lái)指示。Unicode字符中U+FEFF被用來(lái)指示這種存儲順序，被稱(chēng)作Byte Order Mark（BOM）。

•  Big-Endian：最低位地址存放高位字節，可稱(chēng)高位優(yōu)先，內存從最低地址開(kāi)始按順序存放（高數位數字先寫(xiě)）。最高位字節放最前面。
•  Little Endian：最低位地址存放低位字節，可稱(chēng)低位優(yōu)先，內存從最低地址開(kāi)始按順序存放（低數位數字先寫(xiě)）。最低位字節放最前面。

        BOM在Big-Endian系統上存儲為FE FF；而在Big-Endian系統上存儲則為FF FE。所以在以Big-Endian存儲的UTF-16（UTF-16BE）的文件的開(kāi)頭，用FEFF指示；以L(fǎng)ittle-Endian存儲的UTF-16（UTF-16LE）的文件的開(kāi)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(kāi)頭，用來(lái)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(hù)可以選擇不同的編碼選項，對應編碼選項有“ANSI”，“Unicode”，“Unicode big endian”，以及“UTF-8”。因為Windows的存儲方式是Little-Endian，所以“Unicode”，“Unicode big endian”對應的分別是UTF-16LE和UTF-16BE。

        讀者可以試著(zhù)編寫(xiě)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(xiě)的純文本編輯工具（如，Ultra-edit）來(lái)檢驗一下具體的編碼實(shí)現和存儲順序。下面是筆者將“田海立（U+7530, U+6D77, U+7ACB）”以不同編碼方式保存，得到的結果：

        為了明確起見(jiàn)，BOM的編碼用粗體標注；田的編碼用紅色標注；海的編碼用綠色標注；立的編碼用藍色標注?？梢钥吹?，記事本（Notepad）存儲的Unicode編碼的文件的開(kāi)頭位置，用BOM的相應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)現方式，又收集了一下資料。發(fā)現早在06年的時(shí)候，筆者就準備總結一下Unicode的編碼實(shí)現，文檔里也已經(jīng)有了提綱?，F在也不記得當時(shí)什么原因給耽擱了，好在現在及時(shí)總計歸納。好腦子不如爛筆頭啊。如果當初總結下來(lái)，現在也不用再浪費時(shí)間收集資料。

        希望，這次的總結能比較完善，以后再用到Unicode編碼，只要參考此文即可?。ó斎磺疤崾荱nicode標準別又演進(jìn)了^_^）

【附】基本概念對照

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。對于UTF-8來(lái)說(shuō)，碼元是8比特長(cháng)；對于UTF-16來(lái)說(shuō)，碼元是16比特長(cháng)；對于UTF-32來(lái)說(shuō)，碼元是32比特長(cháng)。
3. BMP - Basic Multilingual Plane
4. UTF - Unicode Transformation Format
5. BOM – Byte Order Mark
6. UCS - Universal Character Set