UCS & BOM

UCS

UCS,全稱爲Universal Multiple-Octet Coded Character Set (UCS),是所有其他字符集標準的一個超集。它保證與其他字符集是雙向兼容的，就是說，如果你將任何文本字符串翻譯到 UCS格式，然後再翻譯回原編碼，你不會丟失任何信息。

UCS 包含了用於表達所有已知語言的字符. 不僅包括拉丁語，希臘語，斯拉夫語，希伯來語，阿拉伯語，亞美尼亞語和喬治亞語的描述，還包括中文，日文和韓文這樣的象形文字，以及 平假名，片假名，孟加拉語，旁遮普語果魯穆奇字符(Gurmukhi),泰米爾語，印.埃納德語（Kannada),Malayalam，泰國語，老撾語，漢語拼音（Bopomofo),Hangul,Devangari,Gujarati,Oriya,Telugu 以及其他數也數不清的語. 對於還沒有加入的語言，由於正在研究怎樣在計算機中最好地編碼它們，因而最終它們都將被加入. 這些語言包括 Tibetian，高棉語，Runic（古代北歐文字），埃塞俄比亞語，其他象形文字，以及各種各樣的印-歐語系的語言，還包括挑選出來的藝術語言比如 Tengwar,Cirth 和克林貢語(Klingon). UCS 還包括大量的圖形的，印刷用的，數學用的和科學用的符號，包括所有由 TeX,Postscript,MS-DOS^[2]，MS-Windows,Macintosh,OCR字體，以及許多其他字處理和出版系統提供的字符.

ISO 10646 定義了一個 31 位的字符集. 然而，在這巨大的編碼空間中，迄今爲止只分配了前 65534 個碼位 (0x0000 到 0xFFFD). 這個 UCS 的 16位子集稱爲 基本多語言面 (Basic Multilingual Plane,BMP). 將被編碼在 16 位 BMP 以外的字符都屬於非常特殊的字符（比如象形文字），且只有專家在歷史和科學領域裏纔會用到它們. 按當前的計劃，將來也許再也不會有字符被分配到從 0x000000 到 0x10FFFF 這個覆蓋了超過 100 萬個潛在的未來字符的 21 位的編碼空間以外去了. ISO 10646-1 標準第一次發表於 1993 年，定義了字符集與 BMP 中內容的架構. 定義 BMP 以外的字符編碼的第二部分 ISO 10646-2 正在準備中，但也許要過好幾年才能完成. 新的字符仍源源不斷地加入到 BMP 中，但已經存在的字符是穩定的且不會再改變了.

UCS 不僅給每個字符分配一個代碼，而且賦予了一個正式的名字. 表示一個 UCS 或 Unicode 值的十六進制數，通常在前面加上 "U+",就象 U+0041 代表字符"拉丁大寫字母A". UCS 字符 U+0000 到 U+007F 與 US-ASCⅡ（ISO 646） 是一致的，U+0000 到 U+00FF 與ISO 8859-1(Latin-1） 也是一致的. 從 U+E000 到 U+F8FF，已經 BMP 以外的大範圍的編碼是爲私用保留的.

UCS的實際表現形式爲UTF-8/UTF-16/UTF-32編碼.

BOM

BOM —— Byte Order Mark，中文名譯作“字節順序標記”。在這裏找到一段關於 BOM 的說明：

在UCS 編碼中有一個叫做 "Zero Width No-Break Space" ，中文譯名作“零寬無間斷間隔”的字符，它的編碼是 FEFF。而 FFFE 在 UCS 中是不存在的字符，所以不應該出現在實際傳輸中。UCS 規範建議我們在傳輸字節流前，先傳輸字符 "Zero Width No-Break Space"。這樣如果接收者收到 FEFF，就表明這個字節流是 Big-Endian 的；如果收到FFFE，就表明這個字節流是 Little- Endian 的。因此字符 "Zero Width No-Break Space" （“零寬無間斷間隔”）又被稱作 BOM。

UTF-8 不需要 BOM 來表明字節順序，但可以用 BOM 來表明編碼方式。字符 "Zero Width No-Break Space" 的 UTF-8 編碼是 EF BB BF。所以如果接收者收到以 EF BB BF 開頭的字節流，就知道這是 UTF-8編碼了。Windows 就是使用 BOM 來標記文本文件的編碼方式的。

字符U+FEFF如果出現在字節流的開頭，則用來標識該字節流的字節序，是高位在前還是低位在前。如果它出現在字節流的中間，則表達零寬度非換行空格的意義，用戶看起來就是一個空格。從Unicode3.2開始，U+FEFF只能出現在字節流的開頭，只能用於標識字節序，就如它的名稱——字節序標記——所表示的一樣；除此以外的用法已被捨棄。取而代之的是，使用U+2060來表達零寬度無斷空白。

類似WINDOWS自帶的記事本等軟件，在保存一個以UTF-8編碼的文件時，會在文件開始的地方插入三個不可見的字符（0xEF 0xBB 0xBF，即BOM）。它是一串隱藏的字符，用於讓記事本等編輯器識別這個文件是否以UTF-8編碼。對於一般的文件，這樣並不會產生什麼麻煩。但對於 PHP來說，BOM是個大麻煩。

PHP並不會忽略BOM，所以在讀取、包含或者引用這些文件時，會把BOM作爲該文件開頭正文的一部分。根據嵌入式語言的特點，這串字符將被直接執行（顯示）出來。由此造成即使頁面的 top padding 設置爲0，也無法讓整個網頁緊貼瀏覽器頂部，因爲在html一開頭有這3個字符呢！

摘自百度百科 http://baike.baidu.com/view/935284.htm#sub10973349 & http://baike.baidu.com/view/126558.htm#sub5073178