2012-04-25
本文主要討論Unicode的編碼及其各種實現，着重討論UTF-16，UTF-8的實現規則，以及Big-endian和Little-Endian的存儲順序。
一、Unicode編碼
Unicode出現之前已經有各種編碼標準：ANSI、ISO8859-1、GB2312、GBK以及BIG-5等。Unicode試圖統一各種編碼，在Unicode演進過程中，也有自身不斷修復的過程：剛開始的時候用16位表達65535個字符，認爲已經足夠收集所有的字符；後來隨着大量中文、韓文和日文等表意文字的加入，已經超出了65535個字符，16位已經不能描述所有的字符集了。
在Unicode字符集中的某個字符對應的代碼值，稱作代碼點（Code Point），用16進制書寫，並加上U+前綴。比如，‘田’的代碼點是U+7530；‘A’的代碼點是U+0041。
Unicode定義的字符集已經超過16位所能表達的範圍，把所有這些CodePoint分成17個代碼平面（Code Plane）：
- U+0000 ~ U+FFFF劃入基本多語言平面（Basic MultilingualPlane，簡記爲BMP）；
- 其餘劃入16個輔助平面（Supplementary Plane），代碼點範圍U+10000 ~ U+10FFFF。
雖然這樣劃分，但並不是每個Plane中的Code point都對應有字符，這裏面有保留的，還有特殊用途的。
二、Unicode編碼的實現
Unicode的實現方式不同於編碼方式。一個字符的Unicode編碼是確定的，但是在實際存儲和傳輸過程中，由於不同系統平臺的設計不一定一致，以及出於節省空間的目的，對Unicode編碼的實現方式有所不同。Unicode的實現方式稱爲Unicode轉換格式（Unicode Transformation Format，簡稱爲UTF）。
對Unicode編碼的主要有UTF-16BE、UTF-16LE、UTF-8、UTF-7以及UTF-32等實現方式，目前常用的實現方式是UTF-16LE、UTF-16BE和UTF-8。
2.1 UTF-16
UTF-16是用16bit編碼來表達Unicode，這樣表達範圍是216（即65536），也就是UTF-16的代碼單元（Code Unit）爲16bits。如果表達BMP內的字符，用一個UTF-16的Code Unit就可表達，對於輔助平面內的字符，UTF-16有巧妙的設計。
落在BMP內，從U+D800到U+DFFF之間的Code Point區段是永久保留不映射到字符， UTF-16利用這保留下來的0xD800-0xDFFF區段的CodePoint來對輔助平面內的字符的Code Point進行編碼。
對U+0000.. U+D7FF以及U+E000.. U+FFFF的編碼
UTF-16與UCS-2對這個範圍內的CodePoint進行編碼，採用單個16bit長的CodeUnit，數值等價於對應的Code Point。BMP中的這些Code Point是僅有的可以被UCS-2表示的Code Point。
對U+10000.. U+10FFFF的編碼
輔助平面(Supplementary Planes)中的CodePoint，在UTF-16中被編碼爲一對16bit長的Code Unit（即32bit，4Bytes），稱作代理對(surrogate pair)。
具體方法是：
|
UTF-16解碼 |
||||
|
hi \ lo |
DC00 |
DC01 |
… |
DFFF |
|
D800 |
10000 |
10001 |
… |
103FF |
|
D801 |
10400 |
10401 |
… |
107FF |
|
⋮ |
⋮ |
⋮ |
⋱ |
⋮ |
|
DBFF |
10FC00 |
10FC01 |
… |
10FFFF |
- Code Point減去0x10000， 得到的值是長度爲20bit（0..0xFFFFF）；
- 步驟1得到數值的高位的10比特的值（值範圍爲0..0x3FF）被加上0xD800得到第一個Code Unit或稱作高位代理（high surrogate）或前導代理（lead surrogate）。取值範圍是0xD800..0xDBFF。
- 步驟1得到數值的低位的10比特的值（值範圍爲0..0x3FF）被加上0xDC00得到第二個Code Unit或稱作低位代理（low surrogate）或後尾代理（trail surrogate）。取值範圍是0xDC00..0xDFFF。
這樣，這個範圍內的字符就被編碼成了一個代理對[lead surrogate,trail surrogate]：兩個16bits的Code Unit，取值範圍分別是0xD800..0xDBFF和0xDC00..0xDFFF。而BMP中得到的Code Unit的範圍是0x0000..0xFFFF（0xD800..0xDFFF是保留的，不包含其中），所以這三個區段是相互不重疊的，在解碼時很容易實現。
UTF-16解碼[高位代理+低位代理]得到的Code Unit對與Code Point的對應關係如上表所示。
下面以對U+64321的UTF-16編碼爲例，看一下對於輔助平面內的字符是如何編碼的：
V = 0x64321
Vx = V - 0x10000
= 0x54321
= 01010100 0011 0010 0001
Vh = 01 0101 0000 // Vx 的高位部份的 10 bits
Vl = 11 0010 0001 // Vx 的低位部份的 10 bits
w1 = 0xD800 // 結果的前16位元初始值
w2 = 0xDC00 // 結果的後16位元初始值
w1 = w1 | Vh
= 1101 1000 0000 0000
| 01 0101 0000
= 1101 1001 0101 0000
= 0xD950
w2 = w2 | Vl
= 1101 1100 0000 0000
| 11 0010 0001
= 1101 1111 0010 0001
= 0xDF21
所以，這個字 U+64321 最終的 UTF-16 編碼是：
0xD950 0xDF21
UTF-16的Code Unit是16bits，兩個字節。存儲一個Code Unit的時候，還有存取的先後順序問題，也就是Endian問題，這在後面章節講述。
2.2 UTF-8
UTF-8（8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字符編碼，使用一至四個字節爲每個字符編碼：
- Unicode範圍爲U+0000..U+007F 的128個ASCII字符只需一個字節編碼；
- Unicode範圍爲U+0080..U+07FF的字符需要二個字節編碼；
- Unicode範圍爲U+0800..U+FFFF的其他BMP中的字符（這包含了大部分常用字）使用三個字節編碼；
- Unicode 輔助平面的字符（其他極少使用的字符）使用四字節編碼。
對上述提及的第四種字符而言，UTF-8使用四個字節來編碼似乎太耗費資源了。但UTF-8對所有常用的字符都只用三個字節表達，而且UTF-16編碼對前述的第四種字符同樣需要四個字節來編碼，而如果是ASCII居多的字符，UTF-8能極大的節約存儲空間。UTF-8逐漸成爲電子郵件、網頁及其他儲存或傳送文字的應用中，優先採用的編碼。互聯網工程工作小組（IETF）要求所有互聯網協議都必須支持UTF-8編碼。互聯網郵件聯盟（IMC）建議所有電子郵件軟件都支持UTF-8編碼。
對CodePoint各個範圍內的字符進行UTF-8編碼的規則如下：
|
Code point |
UTF-8字節流 |
|
U+00000000 – U+0000007F |
0xxxxxxx |
|
U+00000080 – U+000007FF |
110xxxxx 10xxxxxx |
|
U+00000800 – U+0000FFFF |
1110xxxx 10xxxxxx 10xxxxxx |
|
U+00010000 – U+001FFFFF |
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
其中，U+D800到U+DFFF之間的區段在Unicode字符集的定義中沒有具體字符使用的，被用來在UTF-16編碼中對輔助平面的字符進行編碼。
下面以“田”（Code Point爲U+7530）爲例，看如何對其進行UTF-8編碼：
- U+7530落在U+0800..U+FFFF區間，採用三字節編碼；
- 0x7530轉換爲二進制爲111 010100 110000；
- 代入表中，得到111001111001010010110000；
這樣，得到“田”（U+7530）的UTF-8編碼：0xE7 94 B0。
知道UTF-8的編碼規則，我們可以對於UTF-8編碼中的任意字節B，進行下面解碼：
- 如果B的第一位爲0，則B爲ASCII碼，並且B獨立的表示一個字符；如果B的第一位爲1，第二位爲0，則B爲一個非ASCII字符（該字符由多個字節表示）中的一個字節，並且不爲字符的第一個字節編碼（字符的第一個字節之外的後編碼）；
- 如果B的前兩位爲1，第三位爲0，則B爲一個非ASCII字符（該字符由多個字節表示）中的第一個字節，並且該字符由兩個字節表示；
- 如果B的前三位爲1，第四位爲0，則B爲一個非ASCII字符（該字符由多個字節表示）中的第一個字節，並且該字符由三個字節表示；
- 如果B的前四位爲1，第五位爲0，則B爲一個非ASCII字符（該字符由多個字節表示）中的第一個字節，並且該字符由四個字節表示。
2.3 UCS-2 vs UTF-16，UCS-4 vs UTF-32
UCS-2每個字符佔用2個字節。UCS-2是UTF-16的子集。在沒有輔助平面前，UTF-16與UCS-2所指的是同一的意思。但當引入輔助平面字符後，UTF-16加入了對輔助平面內的字符的支持。現在若有軟件聲稱自己支持UCS-2編碼，那其實是暗指它不支持UTF-16中超過2bytes的字集。亦即，對於小於0x10000的UCS碼，UTF-16編碼就等於UCS碼。Java早期版本對Unicode的支持，就只是UCS-2的支持，現在加入了對UTF-16的完整支持。
UCS-4與UTF-32的意義一致，對每個字符都使用4字節（31位字符集，加上恆爲0的首位，共需佔據32位）。理論上最多能表示231個字符，完全可以涵蓋一切語言所用的符號。雖然每一個Code Point使用固定長定的字節看似方便，對於普通只需要2個字節存儲的常用字佔絕大對數的字符集來說，卻極大的浪費了空間，並沒怎麼得到應用。
三、Big-Endian/Little-Endian與BOM
在講UTF-16編碼方式時說到，UTF-16編碼的Code Unit是2個字節，這兩個字節在傳輸和存儲過程中，高/低位位置不同，是不同的字符。比如，“田”的UTF-16編碼是0x7530，但是如果存成0x3075，就變成了“ふ”，成了另外的字符。
所以，爲了識別一個編碼過的字符的存儲順序，必須用特殊字符來指示。Unicode字符中U+FEFF被用來指示這種存儲順序，被稱作Byte Order Mark（BOM）。
- Big-Endian：最低位地址存放高位字節，可稱高位優先，內存從最低地址開始按順序存放（高數位數字先寫）。最高位字節放最前面。
- Little Endian：最低位地址存放低位字節，可稱低位優先，內存從最低地址開始按順序存放（低數位數字先寫）。最低位字節放最前面。
BOM在Big-Endian系統上存儲爲FE FF；而在Big-Endian系統上存儲則爲FF FE。所以在以Big-Endian存儲的UTF-16（UTF-16BE）的文件的開頭，用FEFF指示；以Little-Endian存儲的UTF-16（UTF-16LE）的文件的開頭，用FFFE指示。
BOM的UTF-8編碼爲11101111 1011101110111111 (EF BB BF)，所以一般EF BB BF被放在文本的開頭，用來指示其編碼爲UTF-8。
四、Unicode編碼實踐
在Windows的文本編輯工具記事本上，選擇“另存爲”的時候，用戶可以選擇不同的編碼選項，對應編碼選項有“ANSI”，“Unicode”，“Unicode big endian”，以及“UTF-8”。因爲Windows的存儲方式是Little-Endian，所以“Unicode”，“Unicode big endian”對應的分別是UTF-16LE和UTF-16BE。
讀者可以試着編寫一串字符，然後分別用不同的編碼保存，再用可以16進制編寫的純文本編輯工具（如，Ultra-edit）來檢驗一下具體的編碼實現和存儲順序。下面是筆者將“田海立（U+7530, U+6D77, U+7ACB）”以不同編碼方式保存，得到的結果：
田海立_UTF-16BE.txt
FEFF75306D777ACB
田海立_UTF-16LE.txt
FFFE3075776DCB7A
田海立_UTF-8.txt
EFBBBFE794B0E6B5B7E7AB8B
爲了明確起見，BOM的編碼用粗體標註；田的編碼用紅色標註；海的編碼用綠色標註；立的編碼用藍色標註。可以看到，記事本（Notepad）存儲的Unicode編碼的文件的開頭位置，用BOM的相應編碼指示了編碼格式。
【後記】歷史
最近需要用到Unicode的編碼實現方式，又收集了一下資料。發現早在06年的時候，筆者就準備總結一下Unicode的編碼實現，文檔裏也已經有了提綱。現在也不記得當時什麼原因給耽擱了，好在現在及時總計歸納。好腦子不如爛筆頭啊。如果當初總結下來，現在也不用再浪費時間收集資料。
希望，這次的總結能比較完善，以後再用到Unicode編碼，只要參考此文即可！（當然前提是Unicode標準別又演進了^_^）
【附】基本概念對照
- Code Point代碼點或碼位
- Code Unit代碼單元或碼元，是指一個已編碼的文本中具有最短的比特組合的單元。對於UTF-8來說，碼元是8比特長；對於UTF-16來說，碼元是16比特長；對於UTF-32來說，碼元是32比特長。
- BMP - Basic Multilingual Plane
- UTF - Unicode Transformation Format
- BOM – Byte Order Mark
- UCS - Universal Character Set