Unicode UTF-8 UTF-16 UTF-32的关系

Unicode （统一码万国码）产生的背景

预备知识：

计算机只认识二进制数字比如：010101 单位bit
一般来说，计算机的最小存储单元是 8位二进制数也就是1字节
想要让计算机认识字符例如英文字符 a ，需要对字符进行编码
我们常说的 ASCII（American Standard Code for Information Interchange）编码是使用一个字节的存储长度对字符的编码集。

为何要有Unicode？

ASCII编码使用 8bit （b0-b7）中的最高位b7位作为奇偶校验位，用来保障传输的可靠性，所以ASCII一共定义了2^7=128个字符集合。

所谓奇偶校验，是指在代码传送过程中用来检验是否出现错误的一种方法，一般分奇校验和偶校验两种。奇校验规定：正确的代码一个字节中1的个数必须是奇数，若非奇数，则在最高位b7添0；偶校验规定：正确的代码一个字节中1的个数必须是偶数，若非偶数，则在最高位b7添1）

ASCII编码的问题

ASCII编码是美国制定的编码标准，它可以代表英文中的字符集合，但用来表示其他语言如汉语、法语等是不够用的。中国为了让计算机识别汉语，制定了GB2312编码规范，使用两个字节代表一个汉字，支持65536个汉字。

这样发展的趋势是每个国家或地区制定自己语言的计算机字符编码，导致混乱不堪。

Unicode产生

Unicode 正是解决这个问题而诞生的，它对世界上绝大部分的文字的进行整理和统一编码。

事实上，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，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。（摘自百度百科https://baike.baidu.com/item/Unicode）

Unicode的编码方式

Unicode的编码空间可以划分为17个平面（plane），每个平面包含2的16次方（65536）个码位。

17个平面的码位可表示为从U+0000到U+10FFFF，共计1114112个码位，第一个平面称为基本多语言平面（Basic Multilingual Plane, BMP），或称第零平面（Plane 0）。其他平面称为辅助平面（Supplementary Planes）。

基本多语言平面内，从U+D800到U+DFFF之间的码位区段是永久保留不映射到Unicode字符，所以有效码位为1112064个。

为何要定义平面？为何划分基平面和辅助平面？基平面为何会有保留区段？

计算机实现

Unicode是一种编码方式，基于Unicode编码的计算机实现是有多种的。不同的实现方式其实是对Unicode的存储方式存在着差异，计算机实现Unicode可以认为是对Unicode的存储编码。

在这里我们已经进行了两次编码转换了，Unicode本身是字符对应数字的编码方案，而Unicode的计算机实现是Unicode对应的计算机存储编码方案。

为什么对计算机实现还要对Unicode做一次编码？？？

下面我们通过介绍不同的Unicode计算机实现方案来讨论一下这个问题。

我们应当知道，生活中的字符出现的概率是不一样的。例如，生活中我们常常使用 “你好” “早”等词汇，但是“耄耋” “饕餮”等这些字符我们很少用到。

基于以上的事实，如果我们把 “你好” “早”等这些高概率出现的字符使用较短的存储编码，而那些很少用到的字符使用较长的存储编码，

定义：假设有n个字符c1.....cn，每个字符出现的概率为p(n)，每个字符的存储空间为s1.....sn，那么，字符平均存储空间计算公式： T = p(1)*s1+......p(n)*sn

下面我们分别计算一下不同编码实现方案的字符平均存储空间。

UTF-32

最容易想到的，也是最简单的计算机实现就是用四个字节（32bit）对Unicode编码字符进行存储，这就是UTF-32。UTF-32是最简单的程序实现方案（无需转换，与Unicode编码一一对应）。

好处：无需转换，速度快

坏处：浪费存储空间

T = 32bit

UTF-8

UTF-8是一种变长编码，对于一个Unicode的字符被编码成1至4个字节。Unicode编码与UTF-8的编码的对应关系:

Unicode编码	UTF-8编码(二进制)
U+0000 – U+007F	0xxxxxxx
U+0080 – U+07FF	110xxxxx 10xxxxxx
U+0800 – U+FFFF	1110xxxx 10xxxxxx 10xxxxxx
U+10000 – U+10FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

一个字节的uft8表示的unicode 码范围为(0 ~0x7F)

两个字节长度的uft8 表示的unicode码范围为(0x80 ~ 0x07FF)

三个字节长度的uft8 表示的unicode码范围为(0x0800 ~ 0xFFFF)

四个字节长度的uft8 表示的unicode码范围为( 0x10000 ~ 0x10FFFF)

这样编码感觉复杂度变高了很多啊，但是，好处在于节省了存储空间，另外，兼容了旧的ASCII编码。

T=???

暂时没有字符概率数据，等我查资料再更新。

UTF-16

UTF-16也是一种变长编码，对于一个Unicode字符被编码成1至2个码元，每个码元为16位。

基本多语言平面（码位范围U+0000-U+FFFF）在基本多语言平面内的码位UTF-16编码使用1个码元且其值与Unicode是相等的（不需要转换）。举例如下

Unicode 字符 UTF-16（码元） UTF-16 LE（字节） UTF-16 BE（字节） U+0041 A 0x0041 0x41 0x00 0x00 0x41 U+7834 破 0x7834 0x34 0x78 0x78 0x34 U+6653 晓 0x6653 0x53 0x66 0x66 0x53

辅助平面（码位范围U+10000-U+10FFFF）在辅助平面内的码位在UTF-16中被编码为一对16bit的码元（即32bit,4字节），称作代理对(surrogate pair)。组成代理对的两个码元前一个称为前导代理(lead surrogates)范围为0xD800-0xDBFF，后一个称为后尾代理(trail surrogates)范围为0xDC00-0xDFFF。

具体的转换过程为

首先将unicode码表 - 0x10000 , 这样得到的辅助平面的码表范围为(U+0000 - U+FFFFF) ,总共最多20bit
将20bit ，分为high 10bit 与 low 10bit。 high 1bit | 0xD800 得到前导代理， low 10bit | 0xDC00 得到后尾代理

从这里也可以理解为什么在基本多语言平面中，（U+D800 ~ U+DFFF ）要作为保留字符了

UTF-16既保留了解析速度，同时也比较节省存储空间。这个是UTF-8和UTF-32两者优点的结合。

T=??? 暂时没有字符概率数据，等我查资料再更新。