unicode统一编码.docx

1、unicode统一编码Unicode编码Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发，1994年正式公布。随着计算机工作能力的增强，Unicode也在面世以来的十多年里得到普及。一、简介Unicode 是基于通用字符集（Universal Character Set）的标准来发展，并且同时也以书本的形式（The Unicode Standard，目前第五版由Addison-Wesley Professional出版，ISBN-10: 0321480

2、910）对外发表。 2006年7月的最新版本的 Unicode 是5.0版本。 2005年3月31日推出的Unicode 4.1.0 。另外，5.0 Beta于2005年12月12日推出，5.2版本（unicode standard）于2009年10月1日正式推出，以供各会员评价。 目前Unicode标准，6.1版已发布（2012年1月31日）。在unicode联盟网站上可以查看完整的6.1的核心规范。 Unicode定义了大到足以代表人类所有可读字符的字符集。 二、Unicode 的编码和实现大概来说，Unicode 编码系统可分为编码方式和实现方式两个层次。 2.1编码方式Unicode是

3、国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。 通用字符集（Universal Character Set，UCS）是由ISO制定的ISO 10646（或称ISO/IEC 10646）标准所定义的标准字符集。UCS-2用两个字节编码，UCS-4用4个字节编码。 历史上存在两个独立的尝试创立单一字符集的组织，即国际标准化组织（ISO）和多语言软件制造商组成的统一码

4、联盟。前者开发的 ISO/IEC 10646 项目，后者开发的统一码项目。因此最初制定了不同的标准。 1991年前后，两个项目的参与者都认识到，世界不需要两个不兼容的字符集。于是，它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode 2.0开始，Unicode采用了与ISO 10646-1相同的字库和字码；ISO也承诺，ISO 10646将不会替超出U+10FFFF的UCS-4编码赋值，以使得两者保持一致。两个项目仍都存在，并独立地公布各自的标准。但统一码联盟和ISO/IEC JTC1/SC2都同意保持两者标准的码表兼容，并紧密地共同调整任何未来的扩展。在发布的时候，

5、Unicode一般都会采用有关字码最常见的字型，但ISO 10646一般都尽可能采用Century字型。 UCS-4根据最高位为0的最高字节分成27=128个group。每个group再根据次高字节分为256个平面（plane）。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

6、.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0xF0000-0xFFFFD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

7、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、UT

8、F-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

9、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

10、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 10xxxxxx 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

11、。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

12、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 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 x

13、xxx，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

14、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11011011 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

15、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WORD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

16、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 - 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0xf0000-0x

17、10ffff。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 UTF-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。例如： Unicode编码UTF-16LEUTF-16BEUTF32-L

18、EUTF32-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（Byte 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 Mar

19、k 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 Supplem

20、ent) 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 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

21、) 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) 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 (Devanagar

22、i) 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) 1000-109

23、F：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) 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) 172

24、0-173F：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：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

25、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 (Phonetic 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 Add

26、itional) 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 (Arro

27、ws) 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 (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 Sha

28、pes) 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：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

29、-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 (Glagolitic) 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 Ex

30、tended) 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) 2FF0-2FFF：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