Unicode 与编程语言

编程语言中的 Unicode

因为 Unicode 可以给世界上大部分字符编码，因此大部分编程语言内部，都是使用 Unicode 来处理字符的。例如在 Java 中定义一个字符 char c = '中'，这个字符实际是使用两个字节在内存中存储着他的 UTF-16 编码。所以如果将这个字符强转成整型 int i = (int) c，得到的结果 20013 (0x4E2D)，就是 中 在 Unicode 中的 Code Point 值。

这个说法不完全准确，因为大部分编程语言定义的时候，Unicode 还没有辅助平面，所以一般都是固定的用两个字节来存储一个字符。

在有了辅助平面以后，辅助平面的字符，会被 UTF-16 编码成两个 Code Unit，需要 4 个字节来存储。而编程语言为了兼容性，不太可能将原有的 char 类型长度改为 4 个字节。所以就有可能需要用两个 char 来存储一个实际的字符。而原有的获取字符串长度的 API，实际获取到的是字符串中 Code Unit 的个数，不是实际字符的个数。获取某个位置字符的 API 也是同理，获取到的可能是一对 Code Unit 中的一个。因此需要使用编程语言提供的新的 API 或者通过额外的代码，来正确处理辅助平面的字符。

在编程语言中使用 Unicode

主要涉及以下操作：

这其中最关键的就是字符和 Code Point 之间的转换。因为这里涉及字符集的映射，如果编程语言不支持，我们就要自己外挂编码表才能实现，否则无论如何都是没办法通过枚举实现的。

而有了 Code Point 以后，根据 UTF 系列编码的规则，我们自己也可以通过代码来实现 Code Point 和字节序列的转换。当然如果编程语言内置了相关的 API，那就更方便了。

这里省略了 Code Unit 的概念，因为一般在代码中，不会有这个中间过程，直接就编码成字节序列了。

Java

char 和 String 中可以使用 \uXXXX 来表示一个 Unicode 字符。String 中可以使用两个 \uXXXX 表示一个辅助平面的字符，但 char 中不行，因为一个辅助平面字符需要用两个 char 存储：

char c = '\u4E2D';
String s = "\uD840\uDC21";

String to Code Point count:

int count = "".codePointCount(0, "".length());

String/char to CodePoint:

int i1 = Character.codePointAt(new char[] {0xD840, 0xDC21}, 0);
int i2 = "".codePointAt(0);

Code Point to String/char:

String s = new String(new int[] {0x20021}, 0, 1);
char[] c = Character.toChars(0x20021);

String to byte array:

byte[] bytes = "".getBytes(StandardCharsets.UTF_8);

Byte array to String:

String s = new String(new byte[] {(byte) 0xF0, (byte) 0xA0, (byte) 0x80, (byte) 0xA1}, StandardCharsets.UTF_8);

Normalize:

String s = Normalizer.normalize("ñ", Normalizer.Form.NFD);

JavaScript

String 中可以使用 \uXXXX 来表示一个 Unicode 字符。对于辅助平面的字符，可以使用 \u{XXXXXX} 来表示：

'\u{20021}'

String to Code Point count:

Array.from('').length

String to Code Point:

''.codePointAt(0).toString(16)

Code Point to String:

String.fromCodePoint(0x20021)