详解字符编码与 Unicode

发表于 更新于 分类于 本文字数： 8.4k 阅读时长 ≈ 15 分钟

人类交流使用 A、B、C、中 等字符，但计算机只认识 0 和 1。因此，就需要将人类的字符，转换成计算机认识的二进制编码。这个过程就是字符编码。

ASCII

最简单、常用的字符编码就是 ASCII（American Standard Code for Information Interchange，美国信息交换标准代码），它将美国人最常用的 26 个英文字符的大小写和常用的标点符号，编码成 0 到 127 的数字。例如 A 映射成 65 (0x41)，这样计算机中就可以用 0100 0001 这组二进制数据，来表示字母 A 了。

ASCII 编码的字符可以分成两类：

  • 控制字符：0 - 31和 127 (0x00 - 0x1F 和 0x7F)
  • 可显示字符：32 - 126 (0x20 - 0x7E)

具体字符表可以参考：ASCII - 维基百科，自由的百科全书。

Unicode

ASCII 只编码了美国常用的 128 个字符。显然不足以满足世界上这么多国家、这么多语言的字符使用。于是各个国家和地区，就都开始对自己需要的字符设计其他编码方案。例如，中国有自己的 GB2312，不够用了之后又扩展了 GBK，还是不够用，又有了 GB18030。欧洲有一系列的 ISO-8859 编码。这样各国人民就都可以在计算机上处理自己的语言文字了。

但每种编码方案，都只考虑了自己用到的字符，没办法跨服交流。如果一篇文档里，同时使用了多种语言的字符，总不能分别指定哪个字符使用了那种编码方式。

如果能统一给世界上的所有字符分配编码，就可以解决跨服交流的问题了，Unicode 就是来干这个事情的。

Unicode 统一编码了世界上大部分的字符，例如将 A 编码成 0x00A1，将 中 编码成 0x4E2D，将 α 编码成 0x03B1。这样，中国人、美国人、欧洲人，就可以使用同一种编码方式交流了。

一个 Unicode 字符可以使用 U+ 和 4 到 6 个十六进制数字来表示。例如 U+0041 表示字符 A、U+4E2D 表示字符 中，U+03B1 表示字符 α。

Unicode 最初编码的范围是 0x0000 到 0xFFFF，也就是两个字节，最多 65536 (2^16) 个字符。但随着编码的字符越来越多，两个字节的编码空间已经不够用，因此又引入了 16 个辅助平面，每个辅助平面同样最多包含 65536 个字符。原来的编码范围称为基本平面，也叫第 0 平面。

各平面的字符范围和名称如下表：

平面字符范围名称
0 号平面U+0000 - U+FFFF基本多文种平面 (Basic Multilingual Plane, BMP)
1 号平面U+10000 - U+1FFFF多文种补充平面 (Supplementary Multilingual Plane, SMP)
2 号平面U+20000 - U+2FFFF表意文字补充平面 (Supplementary Ideographic Plane, SIP)
3 号平面U+30000 - U+3FFFF表意文字第三平面 (Tertiary Ideographic Plane, TIP)
14 号平面U+E0000 - U+EFFFF特别用途补充平面
15 号平面U+F0000 - U+FFFFF保留作为私人使用区（A 区）(Private Use Area-A, PUA-A)
16 号平面U+100000 - U+10FFFF保留作为私人使用区（B 区）(Private Use Area-B, PUA-B)

每个平面内还会进一步划分成不同的区段。每个平面和区段具体说明参考 Unicode字符平面映射 - 维基百科，自由的百科全书；汉字相关的区段说明参考 中日韩统一表意文字 - 维基百科，自由的百科全书。Unicode 所有字符按平面和区段查找，可以参考 Roadmaps to Unicode；按区域和语言查找可以参考 Unicode Character Code Charts。

字符编码的基本概念

“字符编码”是一个模糊、笼统的概念，为了进一步说明字符编码的过程，需要将其拆解为一些更加明确的概念：

字符 (Character)

人类使用的字符。例如：

  • A；
  • 中 等。

编码字符集 (Coded Character Set, CCS)

把一些字符的集合 (Character Set) 中的每个字符 (Character)，映射成一个编号或坐标。例如：

  • 在 ASCII 中，把 A 编号为 65 (0x41)；
  • 在 Unicode 中，把 中 编号为 0x4E2D；
  • 在 GB2312 中，把 中 映射到第 54 区第 0 位。

这个映射的编号或坐标，叫做 Code Point。

Unicode 就是一个 CCS。

字符编码表 (Character Encoding Form, CEF)

把 Code Point 转换成特定长度的整型值的序列。这个特定长度的整型值叫做 Code Unit。例如：

  • 在 ASCII 中，0x41 这个 Code Point 会被转换成 0x41 这个 Code Unit；
  • 在 UTF-8 中，0x4E2D 这个 Code Point 会被转换成 0xE4 B8 AD 这三个 Code Unit 的序列。

我们常用的 UTF-8、UTF-16 等，就是 CEF。

字符编码方案 (Character Encoding Scheme, CES)

把 Code Unit 序列转换成字节序列（也就是最终编码后的二进制数据，供计算机使用）。例如 ：

  • 0x0041 这个 Code Unit，使用大端序会转换成 0x00 41 两个字节；
  • 使用小端序会转换成 0x41 00 两个字节。

UTF-16 BE、UTF-32 LE 等，就是 CES。

这些概念间的关系如下：

因此，我们说 ASCII 是“字符编码”时，“字符编码”指的是上面从 Character 到字节数组的整个过程。因为 ASCII 足够简单，中间的 Code Point 到 Code Unit，再到字节数组，都是一样的，没必要拆开说。

而我们说 Unicode 是“字符编码”时，“字符编码”其实指的仅是上面的 CCS 部分。

同理，ASCII、Unicode、UTF-8、UTF-16、UTF-16 LE，都可以笼统的叫做“字符编码”，但每个“字符编码”表示的含义都是不同的。可能是 CCS、CEF、CES，也可能是整个过程。

Unicode 转换格式

Unicode 只是把字符映射成了 Code Point (字符编码表，CCS)。将 Code Point 转换成 Code Unit 序列（字符编码表，CEF），再最终将 Code Unit 序列转换成字节序列（字符编码方案，CES），有多种不同的实现方式。这些实现方式叫做 Unicode 转换格式 (Unicode Transformation Format, UTF)。主要包括：

  • UTF-32
  • UTF-16
  • UTF-8

UTF-32

UTF-32 将每个 Unicode Code Point 转换成 1 个 32 位长的 Code Unit。

UTF-32 是固定长度的编码方案，每个 Code Unit 的值就是其 Code Point 的值。例如 0x00 00 00 41 这个 Code Unit，就表示了 0x0041 这个 Code Point。

UTF-32 的一个 Code Unit，需要转换成 4 个字节的序列。因此，有大端序 (UTF-32 BE) 和小端序 (UTF-32 LE) 两种转换方式。

例如 0x00 00 00 41 这个 Code Unit，使用 UTF-32 BE 最终会编码为 0x00 00 00 41；使用 UTF-32 LE 最终会编码为 0x41 00 00 00。

UTF-16

UTF-16 将每个 Unicode Code Point 转换成 1 到 2 个 16 位长的 Code Unit。

对于基本平面的 Code Point（0x0000 到 0xFFFF），每个 Code Point 转换成 1 个 Code Unit，Code Unit 的值就是其对应 Code Point 的值。例如 0x0041 这个 Code Unit，就表示了 0x0041 这个 Code Point。

对于辅助平面的 Code Point（0x010000 到 0x10FFFF），每个 Code Point 转换成 2 个 Code Unit 的序列。如果还是直接使用 Code Point 数值转换成 Code Unit，就有可能和基本平面的编码重叠。例如 U+010041 如果转换成 0x0001、0x0041 这两个 Code Unit，解码的时候没办法知道这是 U+010041 一个字符，还是 U+0001 和 U+0041 两个字符。

为了让辅助平面编码的两个 Code Unit，都不与基本平面编码的 Code Unit 重叠，就需要利用基本平面中一个特殊的区段了。基本平面中规定了从 0xD800 到 0xDFFF 之间的区段，是永久保留不映射任何字符的。UTF-16 将辅助平面的 Code Point，编码成一对在这个范围内的 Code Unit，叫做代理对。这样解码的时候，如果解析到某个 Code Unit 在 0xD800 到 0xDFFF 范围内，就知道他不是基本平面的 Code Unit，而是要两个 Code Unit 组合在一起去表示 Code Point。

具体转换方式是：

  1. 将辅助平面的 Code Point 的值 (0x010000 - 0x10FFFF)，减去 0x010000，得到 0x00000 到 0xFFFFF 范围内的一个数值，也就是最多 20 个比特位的数值
  2. 将前 10 位的值（范围在 0x0000 到 0x03FF），加上 0xD800，得到范围在 0xD800 到 0xDBFF 的一个值，作为第一个 Code Unit，称作高位代理或前导代理
  3. 将后 10 位的值（范围在 0x0000 到 0x03FF），加上 0xDC00，得到范围在 0xDC00 到 0xDFFF 的一个只，作为第二个 Code Unit，称作低位代理或后尾代理

基本平面中的 0xD800 - 0xDBFF 和 0xDC00 - 0xDFFF 这两个区段，也分别叫做 UTF-16 高半区 (High-half zone of UTF-16) 和 UTF-16 低半区 (Low-half zone of UTF-16)。

UTF-16 的一个 Code Unit，需要转换成 2 个字节的序列。因此，有大端序 (UTF-16 BE) 和小端序 (UTF-16 LE) 两种转换方式。

例如 0x0041 这个 Code Unit，使用 UTF-16 BE 最终会编码为 0x0041；使用 UTF-16 LE 最终会编码为 0x4100。

UTF-8

UTF-8 将每个 Unicode Code Point 转换成 1 到 4 个 8 位长的 Code Unit。

UTF-8 是不定长的编码方案，使用前缀来标识 Code Unit 序列的长度。解码时，根据前缀，就知道该将哪几个 Code Unit 组合在一起解析成一个 Code Point 了。

具体编码方式是：

Code Point 范围Code Unit 个数每个 Code Unit 前缀示例 Code Point示例 Code Unit 序列
7 位以内 (0 - 0xEF)10b00b0zzz zzzz0b0zzz zzzz
8 到 11 位 (0x80 - 0x07FF)2第一个 0b110，剩下的 0b100b0yyy yyzz zzzz0b110y yyyy 10zz zzzz
12 到 16 位 (0x0800 - 0xFFFF)3第一个 0b1110，剩下的 0b100bxxxx yyyy yyzz zzzz0b1110 xxxx 10yy yyyy 10zz zzzz
17 到 21 位 (0x10000 - 10FFFF)4第一个 0b11110，剩下的 0b100b000w wwxx xxxx yyyy yyzz zzzz0b1111 0www 10xx xxxx 10yy yyyy 10zz zzzz

解码时，拿到每个 Code Unit 的前缀，就知道这是对应第几个 Code Unit：

  • 前缀是 0b0，说明这个 Code Point 是一个 Code Unit 组成
  • 前缀是 0b110，说明这个 Code Point 是两个 Code Unit 组成，后面还会有 1 个 0b10 前缀的 Code Unit
  • 前缀是 0b1110，说明这个 Code Point 是三个 Code Unit 组成，后面还会有 2 个 0b10 前缀的 Code Unit
  • 前缀是 0b11110，说明这个 Code Point 是四个 Code Unit 组成，后面还会有 3 个 0b10 前缀的 Code Unit

UTF-8 的一个 Code Unit，刚好转换成 1 个字节，因此不需要考虑字节序。

参考上表，对于 ASCII 范围内的字符，使用 ASCII 和 UTF-8 编码的结果是一样的。所以 UTF-8 是 ASCII 的超集，使用 ASCII 编码的字节流也可以使用 UTF-8 解码。

UTF-8 与 UTF-16 对比

Code Point 范围UTF-8 编码长度UTF-16 编码长度
7 位以内 (0x00 - 0xEF)12
8 到 11 位 (0x0080 - 0x07FF)22
12 到 16 位 (0x0800 - 0xFFFF)32
17 到 21 位 (0x10000 - 10FFFF)44

可以看出只有在 0x00 到 0xEF 范围的字符，UTF-8 编码比 UTF-16 短；而在 0x0800 - 0xFFFF 范围内，UTF-8 编码是比 UTF-16 长的。

而中文主要在 0x4E00 到 0x9FFF，如果写一篇文档，全都是中文，一个英文字母和符号都没有。那使用 UTF-8 编码，可能比 UTF-16 编码还要多占用一半的空间。

字节顺序标记

UTF-32 和 UTF-16 的一个 Code Unit，需要转换成多个字节的序列，因此存在字节序的问题。

可以在 UTF-32 或 UTF-16 编码的字节流开头，添加字节顺序标记 (byte-order mark, BOM)，来标识字节序。

BOM 是 U+FEFF 字符的名称。编码时，将 U+FEFF 编码在字节流的开头。解码时，读取前几个字节，就知道编码时的字节序了。

例如 UTF-16 的大端序，U+FEFF 会被编码成 0xFEFF，而小端序则会编码成 0xFFFE。这样根据开头是 0xFEFF 还是 0xFFFE，就知道编码时使用的大端序还是小端序了。

同理 UTF-32 的大端序，U+FEFF 会被编码成 0x00 00 FE FF，而小端序则会编码成 0xFF FE 00 00。这样根据开头，不光能区分出字节序，还能区分出是 UTF-32 还是 UTF-16。

UTF-8 的一个 Code Unit 只需要转换为 1 个字节，因此不存在字节序的问题，也就不需要 BOM。而且 0xFEFF 或 0xFFFE 字节序列，在 UTF-8 中都是不可能出现的。所以根据 BOM，也能区分出编码方式是不是 UTF-8。

如果硬要给 UTF-8 加 BOM，那就是将 0xFEFF (0b1111 1110 1111 1111) 进行 UTF-8 编码，得到 0xEF BB BF (0b1110 1111 1011 1011 1011 1111)，放在字节流的最前面。

之所以使用 U+FEFF 这个字符来标识字节序，可能是因为这个字符本身就表示“零宽非断空格”的含义。把他放在最前面，解码的时候支持 BOM，就把他按照字节序去理解；不支持的就把他解析成一个“零宽非断空格”，展示起来也没有任何影响。当然这是我瞎猜的，而且从 Unicode 3.2 开始，U+FEFF 已经专门用来标记字节序，没有其他含义了。

Unicode 标准化

Unicode 中有些特殊的字符，可以由其他不同的特殊字符组合出来。例如 ñ (U+00F1) 和 ñ (U+006E U+0303)。这两个字符在展现和含义上是完全等价的，但其编码却是不同的。为了对这种字符进行比较，就需要在比较前先进行标准化 (Normalization) 处理。

Unicode 定义了四种标准化形式 (Unicode Normalization Form)：

分解分解再重组
标准等价NFD (Normalization Form Canonical Decomposition)NFC (Normalization Form Canonical Composition)
兼容等价NFKD (Normalization Form Compatibility Decomposition)NFKC (Normalization Form Compatibility Composition)

说明：

  • 分解与重组：
    • 分解：就是把字符能拆的全拆开，例如：
      • 把 ñ (U+00F1) 拆成 U+006E U+0303。
    • 重组：就是把拆开的字符能组的再全组起来，例如：
      • 把 ñ (U+006E U+0303) 组合成 U+00F1。
  • 标准与兼容：
    • 标准等价：就是只有含义和长得完全相同的两个字符才相等，例如：
      • ñ (U+00F1) 和 ñ (U+006E U+0303) 可以相等；
      • 但 ff (U+FB00) 和 ff (U+0066 U+0066) 不能相等。
    • 兼容等价：就是只要长得差不多就可以相等了，标准等价的一定也是兼容等价的，例如：
      • ff (U+FB00) 和 ff (U+0066 U+0066) 也可以相等；
      • ñ (U+00F1) 和 ñ (U+006E U+0303) 更是可以相等了。

示例：

说明显示标准化形式标准化后
分解与重组的区别ñNFD/NFKDU+006E U+0303
分解与重组的区别ñNFC/NFKCU+00F1
标准与兼容的区别ffNFD/NFCU+FB00
标准与兼容的区别ffNFKD/NFKCU+0066 U+0066
标准与兼容的区别ffNFD/NFC/NFKD/NFKCU+0066 U+0066

Unicode 与 UCS

通用字符集 (Universal Character Set, UCS) 和 Unicode 可以理解就是两个组织干的相同的事情，他们都想给世界上的所有字符统一编码。现在他们也都相互兼容，就是说对于同一个字符，UCS 和 Unicode 都会把他们映射成同一个 Code Point，反过来也一样。所以可以把他们当成是一回事。

有一些不同的地方，UCS 的编码空间本来是 0 到 0x7F FF FF FF (32 位，第一位固定为 0)。但因为 UTF-16 代理对的实现方式，只能编码到 0x10 FF FF 范围。所以 UCS 标准也规定了只使用 0x10 FF FF 范围内的编码。

UCS-4 与 UCS，类似于 UTF-32 与 Unicode 的关系。因为 UCS 也规定了只使用 0x10 FF FF 范围内的编码，所以它两实际就是一回事。

UCS-2 与 UCS，类似于 UTF-16 与 Unicode 的关系。但不同的是，UCS-2 是固定两字节的，没有考虑辅助平面。可以把 UCS-2 当做是不支持辅助平面的 UTF-16。

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：

1
2
char c = '\u4E2D';
String s = "\uD840\uDC21";

String to Code Point count:

1
int count = "𠀡".codePointCount(0, "𠀡".length());

String/char to CodePoint:

1
2
int i1 = Character.codePointAt(new char[] {0xD840, 0xDC21}, 0);
int i2 = "𠀡".codePointAt(0);

Code Point to String/char:

1
2
String s = new String(new int[] {0x20021}, 0, 1);
char[] c = Character.toChars(0x20021);

String to byte array:

1
byte[] bytes = "𠀡".getBytes(StandardCharsets.UTF_8);

Byte array to String:

1
String s = new String(new byte[] {(byte) 0xF0, (byte) 0xA0, (byte) 0x80, (byte) 0xA1}, StandardCharsets.UTF_8);

Normalize:

1
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：

1
'\u{20021}'

String to Code Point count:

1
Array.from('𠀡').length

String to Code Point:

1
'𠀡'.codePointAt(0).toString(16)

Code Point to String:

1
String.fromCodePoint(0x20021)

String to byte array:

1
new TextEncoder().encode('𠀡')

只支持 UTF-8，其他编码方式需要自己写代码根据 Code Point 转换。

Byte array to String:

1
new TextDecoder('utf-8').decode(new Uint8Array([0xF0, 0xA0, 0x80, 0xA1]))

Normalize:

1
'ñ'.normalize('NFD')