unicode统一编码Word格式.docx

1、每个平面根据第3个字节分为256行 （row），每行有256个码位（cell）。group 0的平面0被称作BMP（Basic Multilingual Plane）。将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。每个平面有216=65536个码位。Unicode计划使用了17个平面，一共有17*65536=1114112个码位。在Unicode 5.0.0版本中，已定义的码位只有238605个，分布在平面0、平面1、平面2、平面14、平面15、平面16。其中平面15和平面16上只是定义了两个各占65534个码位的专用区（Private Use Area），分别是0xF0000-

2、0xFFFFD和0x100000-0x10FFFD。所谓专用区，就是保留给大家放自定义字符的区域，可以简写为PUA。平面0也有一个专用区：0xE000-0xF8FF，有6400个码位。平面0的0xD800-0xDFFF，共2048个码位，是一个被称作代理区（Surrogate）的特殊区域。代理区的目的用两个UTF-16字符表示BMP以外的字符。在介绍UTF-16编码时会介绍。如前所述在Unicode 5.0.0版本中，238605-65534*2-6400-2408=99089。余下的99089个已定义码位分布在平面0、平面1、平面2和平面14上，它们对应着Unicode目前定义的99089个

3、字符，其中包括71226个汉字。平面0、平面1、平面2和平面14上分别定义了52080、3419、43253和337个字符。平面2的43253个字符都是汉字。平面0上定义了27973个汉字。2.2实现方式在Unicode中：汉字“字”对应的数字是23383。在Unicode中，我们有很多方式将数字23383表示成程序中的数据，包括：UTF-8、UTF-16、UTF-32。UTF是“UCS Transformation Format”的缩写，可以翻译成Unicode字符集转换格式，即怎样将Unicode定义的数字转换成程序数据。例如，“汉字”对应的数字是0x6c49和0x5b57，而编码的程序数

4、据是：BYTE data_utf8 = 0xE6, 0xB1, 0x89, 0xE5, 0xAD, 0x97; / UTF-8编码 WORD data_utf16 = 0x6c49, 0x5b57; / UTF-16编码 DWORD data_utf32 = 0x6c49, 0x5b57; / UTF-32编码 这里用BYTE、WORD、DWORD分别表示无符号8位整数，无符号16位整数和无符号32位整数。UTF-8、UTF-16、UTF-32分别以BYTE、WORD、DWORD作为编码单位。“汉字”的UTF-8编码需要6个字节。“汉字”的UTF-16编码需要两个WORD，大小是4个字节。“汉

5、字”的UTF-32编码需要两个DWORD，大小是8个字节。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。下面介绍UTF-8、UTF-16、UTF-32、字节序和BOM。2.3 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 - 00007F0xxxxxxx 000080 - 0007FF110xxxxx 10xxxxxx 000800 - 00FFFF1110xxxx 10x

6、xxxxx 10xxxxxx 010000 - 10FFFF11110xxx 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

7、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。2.4

8、 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U0x10000，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U0x10000，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

9、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110110

10、11 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。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）：D800DB7FHigh Surrogates高位替代 DB80DBFFHigh Private Use Surrogates高位专用替代 DC00DFFFLow Surrogates低位替代 高位替代就是指这个范围的码位是两个W

11、ORD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。那么，高位专用替代是什么意思？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 -

12、 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。2.5 U

13、TF-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。Unicode编码UTF-16LEUTF-16BEUTF32-LEUTF32-BE 0x006C4949 6C6C 4949 6C 00 0000 00 6C 49 0x020C3043 D8 30 DCD8 43 DC 3030 0C 02 0000 02 0C 30 那么，怎么判断字节流的字节序呢？Unicode标准建议用BOM（B

14、yte 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-8EF BB BF UTF-16LEFF FE UTF-16BEFE FF UTF-32LEFF FE 00 00 UTF-32BE00 00 FE FF UCS-2 编码范围Unicode 到目前为止所定义的五个平面中,第0平面（BMP）最为重要. 其编码分布如

15、下. 注：中文范围 4E00-9FBF：CJK 统一表意符号 （CJK Unified Ideographs） 0000-007F：C0控制符及基本拉丁文 （C0 Control and Basic Latin） 0080-00FF：C1控制符及拉丁文补充-1 （C1 Control and Latin 1 Supplement） 0100-017F：拉丁文扩展-A （Latin Extended-A） 0180-024F：拉丁文扩展-B （Latin Extended-B） 0250-02AF：国际音标扩展 （IPA Extensions） 02B0-02FF：空白修饰字母 （Spacing

16、 Modifiers） 0300-036F：结合用读音符号 （Combining Diacritics Marks） 0370-03FF：希腊文及科普特文 （Greek and Coptic） 0400-04FF：西里尔字母 （Cyrillic） 0500-052F：西里尔字母补充 （Cyrillic Supplement） 0530-058F：亚美尼亚语 （Armenian） 0590-05FF：希伯来文 （Hebrew） 0600-06FF：阿拉伯文 （Arabic） 0700-074F：叙利亚文 （Syriac） 0750-077F：阿拉伯文补充 （Arabic Supplement）

17、0780-07BF：马尔代夫语 （Thaana） 07C0-077F：西非书面语言 （NKo） 0800-085F：阿维斯塔语及巴列维语 （Avestan and Pahlavi） 0860-087F：Mandaic 0880-08AF：撒马利亚语 （Samaritan） 0900-097F：天城文书 （Devanagari） 0980-09FF：孟加拉语 （Bengali） 0A00-0A7F：锡克教文 （Gurmukhi） 0A80-0AFF：古吉拉特文 （Gujarati） 0B00-0B7F：奥里亚文 （Oriya） 0B80-0BFF：泰米尔文 （Tamil） 0C00-0C7F：泰

18、卢固文 （Telugu） 0C80-0CFF：卡纳达文 （Kannada） 0D00-0D7F：德拉维族语 （Malayalam） 0D80-0DFF：僧伽罗语 （Sinhala） 0E00-0E7F：泰文 （Thai） 0E80-0EFF：老挝文 （Lao） 0F00-0FFF：藏文 （Tibetan） 1000-109F：缅甸语 （Myanmar） 10A0-10FF：格鲁吉亚语 （Georgian） 1100-11FF：朝鲜文 （Hangul Jamo） 1200-137F：埃塞俄比亚语 （Ethiopic） 1380-139F：埃塞俄比亚语补充 （Ethiopic Supplement

19、） 13A0-13FF：切罗基语 （Cherokee） 1400-167F：统一加拿大土著语音节 （Unified Canadian Aboriginal Syllabics） 1680-169F：欧甘字母 （Ogham） 16A0-16FF：如尼文 （Runic） 1700-171F：塔加拉语 （Tagalog） 1720-173F：Hanuno 1740-175F：Buhid 1760-177F：Tagbanwa 1780-17FF：高棉语 （Khmer） 1800-18AF：蒙古文 （Mongolian） 18B0-18FF：Cham 1900-194F：Limbu 1950-197F：

20、德宏泰语 （Tai Le） 1980-19DF：新傣仂语 （New Tai Lue） 19E0-19FF：高棉语记号 （Kmer Symbols） 1A00-1A1F：Buginese 1A20-1A5F：Batak 1A80-1AEF：Lanna 1B00-1B7F：巴厘语 （Balinese） 1B80-1BB0：巽他语 （Sundanese） 1BC0-1BFF：Pahawh Hmong 1C00-1C4F：雷布查语（Lepcha） 1C50-1C7F：Ol Chiki 1C80-1CDF：曼尼普尔语 （Meithei/Manipuri） 1D00-1D7F：语音学扩展 （Phoneti

21、c Extensions） 1D80-1DBF：语音学扩展补充 （Phonetic Extensions Supplement） 1DC0-1DFF：结合用读音符号补充 （Combining Diacritics Marks Supplement） 1E00-1EFF：拉丁文扩充附加 （Latin Extended Additional） 1F00-1FFF：希腊语扩充 （Greek Extended） 2000-206F：常用标点 （General Punctuation） 2070-209F：上标及下标 （Superscripts and Subscripts） 20A0-20CF：货币符

22、号 （Currency Symbols） 20D0-20FF：组合用记号 （Combining Diacritics Marks for Symbols） 2100-214F：字母式符号 （Letterlike Symbols） 2150-218F：数字形式 （Number Form） 2190-21FF：箭头 （Arrows） 2200-22FF：数学运算符 （Mathematical Operator） 2300-23FF：杂项工业符号 （Miscellaneous Technical） 2400-243F：控制图片 （Control Pictures） 2440-245F：光学识别符 （

23、Optical Character Recognition） 2460-24FF：封闭式字母数字 （Enclosed Alphanumerics） 2500-257F：制表符 （Box Drawing） 2580-259F：方块元素 （Block Element） 25A0-25FF：几何图形 （Geometric Shapes） 2600-26FF：杂项符号 （Miscellaneous Symbols） 2700-27BF：印刷符号 （Dingbats） 27C0-27EF：杂项数学符号-A （Miscellaneous Mathematical Symbols-A） 27F0-27FF：

24、追加箭头-A （Supplemental Arrows-A） 2800-28FF：盲文点字模型 （Braille Patterns） 2900-297F：追加箭头-B （Supplemental Arrows-B） 2980-29FF：杂项数学符号-B （Miscellaneous Mathematical Symbols-B） 2A00-2AFF：追加数学运算符 （Supplemental Mathematical Operator） 2B00-2BFF：杂项符号和箭头 （Miscellaneous Symbols and Arrows） 2C00-2C5F：格拉哥里字母 （Glagolit

25、ic） 2C60-2C7F：拉丁文扩展-C （Latin Extended-C） 2C80-2CFF：古埃及语 （Coptic） 2D00-2D2F：格鲁吉亚语补充 （Georgian Supplement） 2D30-2D7F：提非纳文 （Tifinagh） 2D80-2DDF：埃塞俄比亚语扩展 （Ethiopic Extended） 2E00-2E7F：追加标点 （Supplemental Punctuation） 2E80-2EFF：CJK 部首补充 （CJK Radicals Supplement） 2F00-2FDF：康熙字典部首 （Kangxi Radicals） 2FF0-2FF

26、F：表意文字描述符 （Ideographic Description Characters） 3000-303F：CJK 符号和标点 （CJK Symbols and Punctuation） 3040-309F：日文平假名 （Hiragana） 30A0-30FF：日文片假名 （Katakana） 3100-312F：注音字母 （Bopomofo） 3130-318F：朝鲜文兼容字母 （Hangul Compatibility Jamo） 3190-319F：象形字注释标志 （Kanbun） 31A0-31BF：注音字母扩展 （Bopomofo Extended） 31C0-31EF：CJK 笔画 （CJK Strokes） 31F0-31FF：日文片假名语音扩展 （Katakana Phonetic