最近一直在忙點私活，又好久沒寫blog了，再不寫點的話二月份就又要以單篇文章結束了。前一陣子一直在研究Unicode，索性把研究結果介紹一下吧。
可以任意轉載，但轉載時必須標明原作者charlee、原始鏈接http://tech.idv2.com/2008/02/21/unicode-intro/以及本聲明
基本知識
介紹Unicode之前，首先要講解一些基礎知識。雖然跟Unicode沒有直接的關係，但想弄明白Unicode，沒這些還真不行。
字節和字符的區別
咦，字節和字符能有什麼區別啊？不都是一樣的嗎？完全正確，但只是在古老的DOS時代。當Unicode出現後，字節和字符就不一樣了。
字節（octet）是一個八位的存儲單元，取值範圍一定是0～255。而字符（character，或者word）爲語言意義上的符號，範圍就不一定了。例如在UCS-2中定義的字符範圍爲0～65535，它的一個字符佔用兩個字節。
Big Endian和Little Endian
上面提到了一個字符可能佔用多個字節，那麼這多個字節在計算機中如何存儲呢？比如字符0xabcd，它的存儲格式到底是 AB CD，還是 CD AB 呢？
實際上兩者都有可能，並分別有不同的名字。如果存儲爲 AB CD，則稱爲Big Endian；如果存儲爲 CD AB，則稱爲Little Endian。
具體來說，以下這種存儲格式爲Big Endian，因爲值(0xabcd)的高位(0xab)存儲在前面：
| 地址 | 值 |
| 0x00000000 | AB |
| 0x00000001 | CD |
相反，以下這種存儲格式爲Little Endian：
| 地址 | 值 |
| 0x00000000 | CD |
| 0x00000001 | AB |
UCS-2和UCS-4
Unicode是爲整合全世界的所有語言文字而誕生的。任何文字在Unicode中都對應一個值，這個值稱爲代碼點（code point）。代碼點的值通常寫成 U+ABCD 的格式。而文字和代碼點之間的對應關係就是UCS-2（Universal Character Set coded in 2 octets）。顧名思義，UCS-2是用兩個字節來表示代碼點，其取值範圍爲 U+0000～U+FFFF。
爲了能表示更多的文字，人們又提出了UCS-4，即用四個字節表示代碼點。它的範圍爲 U+00000000～U+7FFFFFFF，其中 U+00000000～U+0000FFFF和UCS-2是一樣的。
要注意，UCS-2和UCS-4只規定了代碼點和文字之間的對應關係，並沒有規定代碼點在計算機中如何存儲。規定存儲方式的稱爲UTF（Unicode Transformation Format），其中應用較多的就是UTF-16和UTF-8了。
UTF-16和UTF-32
UTF-16
UTF-16由RFC2781規定，它使用兩個字節來表示一個代碼點。
不難猜到，UTF-16是完全對應於UCS-2的，即把UCS-2規定的代碼點通過Big Endian或Little Endian方式直接保存下來。UTF-16包括三種：UTF-16，UTF-16BE（Big Endian），UTF-16LE（Little Endian）。
UTF-16BE和UTF-16LE不難理解，而UTF-16就需要通過在文件開頭以名爲BOM（Byte Order Mark）的字符來表明文件是Big Endian還是Little Endian。BOM爲U+FEFF這個字符。
其實BOM是個小聰明的想法。由於UCS-2沒有定義U+FFFE，因此只要出現 FF FE 或者 FE FF 這樣的字節序列，就可以認爲它是U+FEFF，並且可以判斷出是Big Endian還是Little Endian。
舉個例子。“ABC”這三個字符用各種方式編碼後的結果如下：
| UTF-16BE | 00 41 00 42 00 43 |
| UTF-16LE | 41 00 42 00 43 00 |
| UTF-16(Big Endian) | FE FF 00 41 00 42 00 43 |
| UTF-16(Little Endian) | FF FE 41 00 42 00 43 00 |
| UTF-16(不帶BOM) | 00 41 00 42 00 43 |
Windows平臺下默認的Unicode編碼爲Little Endian的UTF-16（即上述的 FF FE 41 00 42 00 43 00）。你可以打開記事本，寫上ABC，然後保存，再用二進制編輯器看看它的編碼結果。
另外，UTF-16還能表示一部分的UCS-4代碼點——U+10000～U+10FFFF。表示算法比較複雜，簡單說明如下：
- 從代碼點U中減去0x10000，得到U'。這樣U+10000～U+10FFFF就變成了 0x00000～0xFFFFF。
- 用20位二進制數表示U'。 U'=yyyyyyyyyyxxxxxxxxxx
- 將前10位和後10位用W1和W2表示，W1=110110yyyyyyyyyy，W2=110111xxxxxxxxxx，則 W1 = D800～DBFF，W2 = DC00～DFFF。
例如，U+12345表示爲 D8 08 DF 45（UTF-16BE），或者08 D8 45 DF（UTF-16LE）。
但是由於這種算法的存在，造成UCS-2中的 U+D800～U+DFFF 變成了無定義的字符。
UTF-32
UTF-32用四個字節表示代碼點，這樣就可以完全表示UCS-4的所有代碼點，而無需像UTF-16那樣使用複雜的算法。與UTF-16類似，UTF-32也包括UTF-32、UTF-32BE、UTF-32LE三種編碼，UTF-32也同樣需要BOM字符。僅用'ABC'舉例：
| UTF-32BE | 00 00 00 41 00 00 00 42 00 00 00 43 |
| UTF-32LE | 41 00 00 00 42 00 00 00 43 00 00 00 |
| UTF-32(Big Endian) | 00 00 FE FF 00 00 00 41 00 00 00 42 00 00 00 43 |
| UTF-32(Little Endian) | FF FE 00 00 41 00 00 00 42 00 00 00 43 00 00 00 |
| UTF-32(不帶BOM) | 00 00 00 41 00 00 00 42 00 00 00 43 |
UTF-8
UTF-16和UTF-32的一個缺點就是它們固定使用兩個或四個字節，這樣在表示純ASCII文件時會有很多00字節，造成浪費。而RFC3629定義的UTF-8則解決了這個問題。
UTF-8用1～4個字節來表示代碼點。表示方式如下：
| UCS-2 (UCS-4) | 位序列 | 第一字節 | 第二字節 | 第三字節 | 第四字節 |
| U+0000 .. U+007F | 00000000-0xxxxxxx | 0xxxxxxx | |||
| U+0080 .. U+07FF | 00000xxx-xxyyyyyy | 110xxxxx | 10yyyyyy | ||
| U+0800 .. U+FFFF | xxxxyyyy-yyzzzzzz | 1110xxxx | 10yyyyyy | 10zzzzzz | |
| U+10000..U+1FFFFF | 00000000-000wwwxx- xxxxyyyy-yyzzzzzzz |
11110www | 10xxxxxx | 10yyyyyy | 10zzzzzz |
可見，ASCII字符（U+0000～U+007F）部分完全使用一個字節，避免了存儲空間的浪費。而且UTF-8不再需要BOM字節。
另外，從上表中可以看出，單字節編碼的第一字節爲[00-7F]，雙字節編碼的第一字節爲[C2-DF]，三字節編碼的第一字節爲[E0-EF]。這樣只要看到第一個字節的範圍就可以知道編碼的字節數。這樣也可以大大簡化算法。