精确解释Unicode

我决心了解一下编码知识——主要是Unicode——及相关概念，搜索阅读了网上的很多文章，明白了一些，另一些却很模糊，而且有一些不同文章的描述是冲突的！我因此查阅了很多网上的资料，主要有中英文维基百科和Unicode.org，终于明白了其中的奥妙。

独乐乐不如众乐乐，我因此撰此文帮助大家最大程度地厘清Unicode、UCS、UTF-8、UTF-16、UCS-2、UCS-4之间的关系。对于网上随手可得的资料，如ASCII码表、UTF-16算法的程序代码，则不是本文重点。

网上其他文章概念模糊、说法冲突，我觉得一是上述词语本身就具有多重含义，很难把握；二可能是作者本身理解不到位，含糊了过去；三可能是那些文章缺少精确的表达方式，很容易使人误解。于是，我选择了用数学及程序代码相结合的方式，试图给予最清晰的定义。

我水平亦有限，哪里理解不到位或表达不清楚，希望读者不吝赐教。

这里格式我不修改了，嫌格式不漂亮的朋友可去https://docs.google.com/viewer?a=v&pid=explorer&chrome=true&srcid=0B92-FAjNvVzGNGQxNGI2MzctZGJlMC00YzhmLTg3MWItMGI0MWVhOTM4M2I4&hl=zh_CN 获取PDF版。

基本概念

字符是文字与符号的总称，包括文字、图形符号、数学符号等。字符集是字符的集合。

（字符）编码当名词用，是一个从一指定字符集到一指定集合的函数，如果用程序代码¹来表示，可以写作Encoding 。

编码当动词用，是建立一个从一指定字符集到一指定集合的函数。例如将汉字对应到整数（Encoding ），将英文字母对应到可在电线中传输的电脉冲（Encoding 电脉冲模式>）。

如果字符编码特化为Encoding ，即字符转换为整数，则成为编码字符集（函数是特殊的集合）。很多文章上说的字符集其实是编码字符集。

码点是编码字符集的上域²中的一个元素。

为了本文的叙述方便，额外定义几条表达方式。

编码字符集有以下属性：

• 字库³：ASCII的字库是英文字母+数字+其他一些符号 1

• 编码长度⁴：ASCII的编码长度是7个二进制位。编码长度≤表示长度 2

• 表示长度⁵：ASCII的表示长度是8个二进制位（最高位为0） 3

编码字符集ASCII中字符A的编码数字是65。⁶ 4

编码字符集ASCII中字符A的二进制流是01000001。相应地，十六进制流是41，十进制流是65。与编码数字不同，N进制流要开头补0，以达到表示长度。 5

常见的编码字符集

GB2312是简体字集，全称为GB2312(80)字集，共包括国标简体汉字6763个。

BIG5大五码是台湾繁体字集，共包括国标繁体汉字13053个。

GBK是简繁字集，包括了GB字集、BIG5字集和一些符号，共包括21003个字符。

GB18030是国家制定的一个强制性大字集标准，全称为GB18030-2000，它的推出使汉字集有了一个“大一统”的标准。

ASCII

我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位有0和1两种状态，因此八个二进制位就可以组合出 256种状态，这被称为一个字节。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从 0000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

ASCII的字库包括128个字符，比如空格（SPACE）的编码数字是32，二进制流是00100000。这128个字符（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

在电线里传输被ASCII编码的二进制流时，为了检验错误，会修改最高位，用来做奇偶校验。这利用了ASCII本身的性质（最高位都是0）。

UCS

ISO10646标准所定义的通用字符集（Universal Character Set），编码长度可达32位。

Unicode

Unicode是一种正在发展的编码字符集，由统一码联盟制定，希望将全世界常用文字都函括进去。Unicode兼容ASCII。⁷即ASCII中有的字符Unicode中都有，并且对应相同的编码数字。

Unicode编码长度可达到32位，即4字节。第一字节称为组，第二字节称为面，第三字节称为行，第四字节称为点。第0组第0面里的字符可以只用2个字节表示，且涵盖了绝大部分的常用字，所以备受青睐。为了方便称呼，Unicode给它了一个名称——基本多文种平面（BMP）。基本多文种平面值域和上域都是0到FFFF，共计65535个码点。^{8 9}基本多文种平面是Unicode的子集。

虽然Unicode的表示长度是32位，但因为通常表示的是常用字，且常用字在BMP的字库里，所以表示长度往往缩减为16位。

Unicode与UCS的关系

ISO与统一码联盟是两个不同的组织，最初制定了不同的标准；但后来两个组织制定的编码字符集相互兼容。¹⁰现在往往只说Unicode，UCS这个名词不常见。

转换格式

以上说的都只是编码字符集——字符到整数的函数。虽然表示长度往往是8的倍数，却没有规定二进制流应该如何放入到几个字节里去。

比如，Unicode中字符“严”的十六进制流是4E25（缩减了的表示长度），是直接保存为两个字节4E和25呢，还是经过一些运算再保存呢？

读者可能觉得这个问题很无聊。我们已经知道，英文字母只用一个字节表示就够了，如果每个符号用两个或四个字节表示，那么每个英文字母前都必然有二到四个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

UTF正是为了解决这个问题而诞生的。UTF全称为Unicode Translation Format（Unicode转换格式）。

转换格式是一个从二进制流集合到字节数组的集合的函数，可以写作Encoding 。又二进制流可以计算为数字，转换格式可以写作Encoding 。

UTF-8

UTF-8是一种变长转换格式。它使用1~4个字节表示一个符号，根据不同的二进制流而改变字节长度。

UTF-8的规则很简单，只有二条：

• 对于单字节的符号，字节的第一位设为0，后面7位为这个符号的Unicode码。因此对于同一个英语字母在UTF-8下和在ASCII码下的像¹¹是相同的。

• 对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的二进制位用来从后往前放置这个符号的二进制流。

下表总结了编码规则，字母x表示用来放置二进制码的位置。

Unicode码点	像（二进制）
0000 0000 - 0000 007F	0xxxxxxx
0000 0080 - 0000 07FF	110xxxxx 10xxxxxx
0000 0800 - 0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000 - 0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

UTF-16

UTF-16的编码方法¹²是：

• 如果二进制流b小于0x10000，也就是十进制的0到65535之内，则直接使用两字节表示。

• 如果二进制流b大于等于0x10000，将b-0x10000的结果中的前 10 位作为高位和0xD800进行逻辑或操作，将后10 bit作为低位和0xDC00做逻辑或操作，这样组成的4个字节就构成了b的编码。

举个例子。假设要算（U+2A6A5，四个繁体字龙）¹³在UTF-16下的像，因为它超过 U+FFFF，所以 2A6A5-10000=0x1A6A5=。

前10位0001 1010 01 | 0xD800 = 0xD896。

后10位10 1010 0101 | 0xDC00 = 0xDEA5。

所以U+ 2A6A5 在UTF-16中的像是D8 96 DE A5。

UCS-2

UCS-2是ISO制定的，用来转换UCS的。但既然Unicode和UCS相互兼容，便也可以用来转换Unicode。

UCS-2是基本多文种平面的值域到两个成员的字节数组的集合的函数，即每个BMP码点都通过前面补0的方式固定地用两个字节表示。记得因为代理区的存在，一个码点并不代表一个字符。

UCS-2是UTF-16的子集，因为UTF-16额外规定了BMP以外的字节表示。

UCS-4

UCS-4是ISO制定的，用来转换UCS的。但既然Unicode和UCS相互兼容，便也可以用来转换Unicode。

UCS-4是Unicode中的头128组的值域到四个成员的字节数组的集合的函数，即每个码点都通过前面补0的方式固定地用四个字节表示。四个字节的范围是0到7FFFFFFF，即31个二进制位。

UTF-32

但是，ISO/IEC 10646已经宣布，今后所有的字符都将分配在10FFFF （即第0组头17个平面）以内，所以UCS-4的7FFFFFFF上限没有意义。¹⁴所以制定了UTF-32。

UTF-32是Unicode中第0组头17个平面的值域到四个成员的字节数组的集合的函数，即每个Unicode码点都通过前面补0的方式固定地用四个字节表示。

可见，UTF-32是UCS-4的子集，UCS-4包含UTF-32。¹⁵UCS-4已经没有使用的意义。

小结

转换格式	定义域	值域
UTF-8	0-10 FFFF 第0组头17平面的值域	1-4字节
UTF-16	0-10FFFF 第0组头17平面的值域	2或4字节
UCS-2	0-FFFF 基本多文种平面的值域	2字节
UCS-4	0-7FFFFFFF 头 128 组的值域	4 字节
UTF-32	0-10 FFFF 第0组头17平面的值域	4字节

* 缩进代表包含关系。

现在若有软件声称自己支持UCS-2，那其实是暗指它不能支持在UTF-16中超过2字节的符号。¹⁶

字节存储的顺序

一个字符，通过Unicode，得到了二进制流；二进制流通过转换格式，得到了几个字节。那么这几个字节是由低位到高位（即低位在前）写入硬盘呢，还是由高位到低位（即高位在前）写入硬盘呢？这就是字节存储的顺序问题，即字节序问题。

为什么不统一地都由低位到高位或由高位到低位呢？因为设备执行不同的任务时，这两种方式的性能有差别。为了最大地提升性能，设备的硬件实现根据其最常做的任务决定了字节序。

Unicode规范中用字节序标记字符（BOM）来标识字节序，它的编码是FEFF。这样如果接收者收到FEFF，就表明这个字节流是高位在前的；如果收到FFFE，就表明这个字节流是低位在前的。

这里相当于有一个从byte[]和BOM到byte[]的字节序函数（b(byte[],bom):byte[]），给定几个字节和字节序，该函数就能算出这几个字节存往硬盘的顺序。

至此，计算机屏幕上显示的字符保存到硬盘上的过程已经清晰了：

对该字符c应用编码字符集，结果为n。	Encoding (c) → n
对整数n应用转换格式，结果为。	Encoding (n) → bytes
对应用字节序函数，结果为硬盘上的字节数组。	b(bytes,bom) → bytesInDisk

UTF-8有严格的字节顺序，不需要BOM。但如果在字节流前面加上BOM在UTF-8下的像EF BB BF，接收者一收到就知道这是UTF-8编码。所以用UTF-8格式存储，仍然会往文件头写EF BB BF，以表明其转换方法。

UTF-16、UCS-2、UCS-4、UTF-32都没有严格的顺序，所以需要借助BOM。

复合函数

数学上的复合函数是一个函数。若g(x)、f(x)是函数，则g(f(x))是复合函数。

编码字符集ASCII因为不需要转换格式¹⁷、没有字节序的问题，所以ASCII又是：

• 编码字符集ASCII与转换格式的复合函数（转换格式不作任何事）

• 编码字符集ASCII、转换格式与字节序函数的复合函数（转换格式和字节序函数不作任何事）

UTF-8第一条规则用的就是上面的第一个含义。

UTF-16BE和UTF-16LE，是转换格式UTF-16与高位在前或低位在前的复合。UTF-16BE有时缩写为UTF-16，注意，这与转换格式UTF-16是不同的！¹⁸

UCS-2BE和UCS-2LE，是转换格式UCS-2与高位在前或低位在前的复合。UCS-2BE有时缩写为UCS-2。注意，这与转换格式UCS-2是不同的！³

UCS-4BE和UCS-4LE，是转换格式UCS-4与高位在前或低位在前的复合。UCS-4BE有时缩写为UCS-4。注意，这与转换格式UCS-4是不同的！³

UTF-32BE和UTF-32LE，是转换格式UTF-32与高位在前或低位在前的复合。UTF-32BE有时缩写为UTF-32。注意，这与转换格式UTF-32是不同的！¹⁹

 

名称	编码次序	字节存储顺序
		BOM	朱	，	聿
UTF-16LE	低位在前	无	31 67	2C 00	7F 80	69 D8 A5 DE
UTF-16BE	高位在前	无	67 31	00 2C	80 7F	D8 69 DE A5
UTF-16	低位在前，包含BOM	FF FE	31 67	2C 00	7F 80	69 D8 A5 DE
UTF-16	高位在前，包含BOM	FE FF	67 31	00 2C	80 7F	D8 69 DE A5

Windows记事本中的编码

我们在Windows系统中保存文本文件时通常可以选择编码为ANSI、Unicode、Unicode big endian和UTF-8。已知Unicode是编码字符集，big endian是一种字节序，UTF-8是转换格式。这三种不同的东西放在一起，是什么意思呢？答案是复合函数。

请看实验！我将字符用这四种选项分别保存，然后查看其16进制代码。记得这个字的二进制流是2A6A5，在UTF-16中的像是D8 96 DE A5。读者可以练习一下计算2A6A5在UTF-8下的像。

选项	编码字符集	转换格式	字节存储的顺序
ANSI	英文文件：ASCII	直接表示	直接存储
	简体中文系统：GB2312
	繁体中文系统：Big5
Unicode	Unicode	UTF-16	低位在前
Unicode big endian	Unicode	UTF-16	高位在前
UTF-8	Unicode	UTF-8	直接存储

所以，以上四项都是复合函数，复合了编码字符集、二进制的字节表示和字节存储的顺序。

很多软件和文章中提到的Unicode、UTF-8之类的，都是这种复合。

爱让一切都对了

2011 年3月213月21日 月21日 星期21日 星期一日 星期一

本文依照知识共享- 署名-相同方式共享3.0协议发表

四个繁体字龙

1C#语法，依据.Net Framework 4.0

2编码字符集是函数，函数有值域。值域是上域的子集。Unicode中有些位置是保留区域，没有字符来对应，所以不属于值域，但属于上域。

3即函数的定义域。

4即值域的基数的二进制表示的位数。

5即上域的基数的二进制表示的位数。

6即字符A在编码字符集ASCII中的像是01000001。

7http://www.unicode.org/charts/PDF/U0000.pdf

8基本多文种平面里有个代理区，仅该区就可表达1048576个字符。

9http://blog.csdn.net/fcc_ecjtu/archive/2006/09/21/1261273.aspx

10对字符编码与Unicode,ISO 10646,UCS,UTF8,UTF16,GBK,GB2312的理解

11将UTF-16看成函数。设有函数f，则x在f下的是f(x)。若f(x)=2x+1，则3在f下的像是。

12http://zh.wikipedia.org/zh-cn/UTF-16

13文末有该字的图片。

14http://en.wikipedia.org/wiki/Universal_Character_Set#Encoding_forms_of_the_Universal_Character_Set。但正在请求来源。

15http://en.wikipedia.org/wiki/UTF-32/UCS-4

16http://codex.wordpress.org.cn/UTF-16

17作动词用。不同于上文的名词转换格式。

18根据Vim FencView插件。

19这是我的推理。