五分钟Unicode简单入门

对于Unicode，相信每个javaer都不会陌生。不过对于各种各样的UTF8,UTF16,GBK,GB2312等各种名词，你可能会觉得糊里糊涂，希望读完这篇文章对你有所帮助。

 

首先我们要清楚一点，Unicode包含Unicode编码和Unicode实现（或者叫传输方式），两者是不同的，而通常我们就最容易搞混这两件事。

 

Unicode编码的英文缩写是UCS；而Unicode传输方式缩写是UTF。从字面上是不是看出一点点东西？

 

先来说说UCS。

 

目前，UCS标准有两种：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，基本上现在用的就是这个标准，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码，是为了防止将来２个字节不够用才开发的。UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。

 

UCS实际是一种全世界字符编码的“超集”，目标是让全世界所有字符都可以在这套编码里面找到唯一的编码。全世界所有的文字都可以在这些码位上编码，而互不冲突。你可以理解为Unicode组织为各个地区分一些码位范围。按照UCS-2标准，全世界可表示的编码只有65536个码位。可能你会说不够啊，汉字都差不多这个数了。这个我就不清楚了，大概收录的都是常用汉字吧。

 

再次强调，不管哪一国的字符码均以2个（UCS4是4个）字节表示，在UCS里面的编码都是唯一的，全世界的UCS编码只有一套（当然只有一套，不然怎么叫标准）。

 

说完UCS，就来说说UTF。为什么有UTF呢？保存UCS不就直接把每个字节都保存下来就OK拉，那需要管那么多。其实我们从“传输方式”字面上就可以看出来，UTF实际上用于传输、保存。

 

我们可以这样理解，Unicode在内存里，为了快速处理起来，所以定长是可以理解的；但当保存下来的时候，是否定长就是另外一回事了，可能用户更加关注的是文件的大小、传输的快慢等等。

 

或者说，UCS是你自己系统里面处理Unicode的，不关别人的是，但如果要跟别人交流数据，就要有一定的规范来传输比特流（就是数据啦），这个规范几时UTF。

 

进一步的，我们甚至可以这样理解，Unicode在内存处理的时候，是定长的，跟UCS对应，但保存成文件的时候（其实就是转化为具体的字节），就用UTF来编码。（可能有误，不过这样会比较好理解。）

 

目前我们接触比较多的UTF方式有两种UTF-16和UTF-8。UTF-16，顾名思义，就是用16位（两个字节）存储一个UCS-2编码。实际上，这种是最原始的存储方式，把UCS-2直接保存下来，对于少数字符会做一些特殊的处理，不过UTF-16和UCS-2基本上是差不多的。

 

说到这里，不得不提一下BOM这个东东。例如“汉”字的Unicode编码是6C49，在运算的时候是没什么问题的，直接wchar_t ch = 0x6C49就可以了。但保存成文件就有问题了，究竟是0x6C 0x49（叫Little Endian，低位在前。别搞错，0x6C是低位）还是0x49 0x6C（Big Endian，即高位在前）？于是就有了规定：在UTF-16前面加上两个特殊字符0xFF和0xFE。如果顺序为0xFF 0xFE，那就是就是LE低位在前，否则就是BE高位在前。默认不添加就是指LE。

 

其实读者可以用WinXP的记事本试试。如下图，ANSI对于我们来说就是GBK，Unicode就是UTF-16（LE），Unicode big endian就是UTF-16（BE），UTF-8当然就是下面即将要介绍的UTF-8。可以把文章保存下来，用不同的编码保存，然后用UE看看十六进制。

 

虽然有UTF-16，不过欧美就不爽了：凭什么我为了你的汉字要多浪费一倍空间。于是，UTF8就出来了。UTF-8是一种不定长的UTF。UCS-2怎么转换到UTF-8我就不细说了，网上google一大把。下图是UTF-8的分布图，可以看出来，对于传统的ASCII，只需要一个字节，大大节省了空间，不过对于另外一些文字就恰恰相反了，最长的占3个字节。

 

为了跟好地理解UCS和UTF，读者可以回忆一下在Java里面String跟byte[]的转换：

String s = new String(bytes, “utf-8”);

byte[] bytes = s.getBytes(“utf-8”);

实际上，我们可以这样理解，s对象里面存储的数据，就是UCS，而bytes变量，则是UTF。

 

说完UCS和UTF，相信读者你已经对Unicode有了各大致的理解了吗？（还没有？对不起，我已经没有存货了。）我们再来聊聊另外一个话题：支持Unicode。

 

我们经常会听到：java支持Unicode，python也支持Unicode。到底什么是支持Unicode？

 

我觉得，所谓支持Unicode，无非就是三方面：

 

（1）有专门的数据类型存储UCS。

 

（2）方法、函数、相关逐渐支持UCS。

 

（3）能够正确处理各种UTF。

 

其实，只要原生字符和字符串是UCS（就是说，用wchar_t表示字符，而不是用char），外加一些处理UTF的函数，其实就相当于支持Unicode了。

 

看看手表，应该就5分钟啦。