Unicode和UTF的关系
目录结构：
1，什么是USC
USC是Universal Character Set的简称，也就是“通用字符集”，由ISO（International Organization for Standardization，国际标准化组织）制定的ISO 10646（或称ISO/IEC 10646）标准所定义的标准字符集。
1.1，USC的编码方式
USC有两种编码方式，分别为USC-2和USC-4。其中USC-2代表使用两个字节表示一个字符，USC-4代表使用4个字节表示一个字符。
2，Unicode的来源
2.1，为什么需要Unicode
计算机最开始在美国使用。一个字节有8位，也就是2的8次方，共表示256种状态。但是美国人的所有字符加起来，他们也就只用了128个，即使2的7次方，就是我们所熟知的ASCII编码。但是随着计算机的发展，慢慢地计算机被推广到全球，那么ASCII码中128个字符肯定不能够表示世界所有文化中的文字。由于世界文化的差异，因此全球许多国家编制了一套自己的字符对照表，比如：中国编制的GB2312（采用两个字节表示一个字符）。这种情况下，编码就出现了混乱，每个国家都有一套自己的编码，每个国家都不认识彼此的编码，这样极不利于计算机的推广和规范化。因此，ISO在这个时候站出来了，并且制定了一套USC(Universal Character Set)字符对照表，这套对照表就是Unicode前身。
2.2，Unicode的方式
我们现在知道了Unicode就是一个基于USC的字符对照表，接下来我们算一算USC最多能够表示的字符数量。如果采用USC-4，那么4个字节表示一个字符，也就是可以表示0xFFFFFFFF种字符，但是Unicode只表示到其中的0x10FFFF，所以Unicode表示范围是从0到0x10FFFF。UCS-4根据最高位为0的最高字节分成27=128个group。每个group再根据次高字节分为256个平面（plane）。每个平面根据第3个字节分为256行 （row），每行有256个码位（cell）。group 0的平面0被称作BMP（Basic Multilingual Plane 基本多文种平面）。如果UCS-4的前两个字节为全零，那么将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。每个平面有216=65536个码位。Unicode计划使用了17个平面，一共有17×65536=1114112个码位。在Unicode 5.0.0版本中，已定义的码位只有238605个，分布在平面0、平面1、平面2、平面14、平面15、平面16。其中平面15和平面16上只定义了两个各占65534个码位的专用区（Private Use Area），分别是0xF0000-0xFFFFD和0x100000-0x10FFFD。其中平面0上也定义了6400个码位的专用区域，就是0xE000-0xF8FF，还定义了2048个码位的代理区域，就是0xD800-0xDFFF。所谓专用区，就是保留给大家放自定义字符的区域，可以简写为PUA。0平面上的代理区域就是使用两个UTF-16字符表示BMP以外的字符。在Unicode5.0.0中，如果平面0，平面1，平面2，平面14，平面15，平面16中都把码位定义满了（平面15和平面16都只定义了65534个码位），则总码位=65536*6-4=393212个，但是在Unicode5.0.0中却只有238605个码位，所以6个平面中肯定还有一些平面没有完全定义。
| 最高字节（group） | 次高字节（plane） | 第三字节（row） | 第四字节（cell） | 平面范围 | 备注 | |
| group 0, plane 0（BMP） |
0000 0000 - 0000 0000 |
0000 0000- 0000 0000 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0 - 0xFFFF |
Unicode已定义60528个码位 其中：0xE000-0xF8FF表示专用区域。 0xD800-0xDFFF表示代理区域。 有27973个码位表示汉字。 |
| group 0, plane 1 |
0000 0000 - 0000 0000 |
0000 0001 - 0000 0001 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x10000 - 0x1FFFF |
Unicode已定义3419个码位 |
| group 0, plane 2 |
0000 0000 - 0000 0000 |
0000 0010 - 0000 0010 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x20000 - 0x2FFFF |
Unicode已定义43253个码位 其中：43253个码位都表示汉字 |
| group 0, plane 3 |
0000 0000 - 0000 0000 |
0000 0011 - 0000 0011 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x30000 - 0x3FFFF |
Unicode未定义码位 |
| group 0, plane 4 |
0000 0000 - 0000 0000 |
0000 0100 - 0000 0100 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x40000 - 0x4FFFF |
Unicode未定义码位 |
| group 0, plane 5 |
0000 0000 - 0000 0000 |
0000 0101 - 0000 0101 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x50000 - 0x5FFFF |
Unicode未定义码位 |
| group 0, plane 6 |
0000 0000 - 0000 0000 |
0000 0110 - 0000 0110 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x60000 - 0x6FFFF |
Unicode未定义码位 |
| group 0, plane 7 |
0000 0000 - 0000 0000 |
0000 0111 - 0000 0111 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x70000 - 0x7FFFF |
Unicode未定义码位 |
| group 0, plane 8 |
0000 0000 - 0000 0000 |
0000 1000 - 0000 1000 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x80000 - 0x8FFFF |
Unicode未定义码位 |
| group 0, plane 9 |
0000 0000 - 0000 0000 |
0000 1001 - 0000 1001 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x90000 - 0x9FFFF |
Unicode未定义码位 |
| group 0, plane 10 |
0000 0000 - 0000 0000 |
0000 1010 - 0000 1010 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xA0000 - 0xAFFFF |
Unicode未定义码位 |
| group 0, plane 11 |
0000 0000 - 0000 0000 |
0000 1011 - 0000 1011 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xB0000 - 0xBFFFF |
Unicode未定义码位 |
| group 0, plane 12 |
0000 0000 - 0000 0000 |
0000 1100 - 0000 1100 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xC0000 - 0xCFFFF |
Unicode未定义码位 |
| group 0, plane 13 |
0000 0000 - 0000 0000 |
0000 1101 - 0000 1101 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xD0000 - 0xDFFFF |
Unicode未定义码位 |
| group 0, plane 14 |
0000 0000 - 0000 0000 |
0000 1110 - 0000 1110 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xE0000 - 0xEFFFF |
Unicode已定义337个码位 |
| group 0, plane 15 |
0000 0000 - 0000 0000 |
0000 1111 - 0000 1111 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0xF0000 - 0xFFFFF |
Unicode只定义65534个码位 其中：0xF0000 - 0xFFFFD作为专用区 |
| group 0, plane 16 |
0000 0000 - 0000 0000 |
0001 0000 - 0001 0000 |
0000 0000 - 1111 1111 |
0000 0000 - 1111 1111 |
0x100000 - 0x10FFFF |
Unicode只定义65534个码位 其中：0x100000-0x10FFFD作为专用区 |
现在来算一下在Unicode 5.0.0版本中实际的字符有多少个 ，只需要用总共的码位数减去平面15的专用区码位、减去平面16的专用区码位、减去平面0的专用区码位、减去平面0的代理区域码位，即是实际的字符数，238605-65534*2-6400-2048=99089，所以在Uincode5.0.0中实际表示字符的只有99089个字符。
3，什么是UTF
UTF就是Unicode Transformation Format，就是Unicode字符转换格式，包括UTF-8,UTF-16,UTF-32。
3.1，UTF和Unicode的关系
现在我们知道了Unicode就是一张字符对照表，类似于ASCII码表。UTF的作用就是将字符对应的数字按照某种格式转化为程序数据。UTF-8故名思意就是每8位保存一个字符，UTF-16顾名思意就是每16位保存一个字符，UTF-32就是每32位保存一个字符。
4，UTF-8的编码方式
|
Unicode编码(十六进制)
|
UTF-8 字节流(二进制)
|
|
000000-00007F
|
0xxxxxxx
|
|
000080-0007FF
|
110xxxxx 10xxxxxx
|
|
000800-00FFFF
|
1110xxxx 10xxxxxx 10xxxxxx
|
| 010000-10FFFF | 11110xxx10xxxxxx10xxxxxx10xxxxxx |
UTF-8的特点是对不同范围的字符使用不同长度的编码。对于UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。
5，UTF-16的编码方式
UTF-16编码以两个字节为单位对Unicode进行编码。
对于Unicode小于0x10000的数据，UTF-16的编码与Unicode的编码相同，换句话说也就是BMP平面（平面0）中的Unicode字符编码与UTF-16的编码相同。
对于Unicode大于0x10000的数据，我们先计算Unicode编码减去0x10000，然后再将得到得到的值写成二进制形式：yyyy yyyy yyxx xxxx xxxx，最后得到该Unicode的UTF-16编码（二进制）就是：110110yyyyyyyyyy 110111xxxxxxxxxx。
6，什么是BOM
BOM就是Btye Order Mark，即使字节顺序标记。BOM分为两种，分别是“大端”（Big Endian, BE）和“小端”（Little Endian, LE）。就是在传输数据中指定数据的顺序的协议。
7，参考文章
Unicode和UTF的关系的更多相关文章
- Unicode和UTF-8的关系
Unicode和UTF-8都是表示编码,这个我一直都知道,但是这两个实际上是干什么用的,到底是怎么编码的,为什么有了Unicode还要UTF-8,它们之间有什么联系又有什么区别呢?这个问题一直困扰着我 ...
- Unicode 和 UTF-8 的关系
曾经这个世界上,有着gb2312,gbk,latin1,utf 等各种字符集,现在,我们也能不时的看到他们的身影. 但是值得庆幸的事,时过境迁,这些主要的字符集,都已经逐渐被utf8取代. 但是我们很 ...
- 字节的高低位知识，Ascii,GB2312,UNICODE等编码的关系与来历
很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物.他们看到8个开关状态是好的,于是他们把这称为"字节". 再后来,他们又做了一些可以处理 ...
- ASCII Unicode UTF-8 之间的关系
转载请标明:https://i.cnblogs.com/EditPosts.aspx?opt=1 1. ASCII ASCII 只有127个字符,表示英文字母的大小写.数字和一些符号,但由于其他语言用 ...
- 字符编码 ASCII、Unicode和UTF-8的关系
摘抄自廖雪峰 教程 字符编码 我们已经讲过了,字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题. 因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理.最早的计算机 ...
- Unicode、UTF－8 和 ISO8859-1
Unicode.UTF-8 和 ISO8859-1到底有什么区别 1.本文主要包括以下几个方面:编码基本知识,java,系统软件,url,工具软件等. 在下面的描述中,将以"中文" ...
- [转]Unicode和UTF-8的关系
Unicode和UTF-8的关系作者: 张军 原文地址: http://blog.renren.com/blog/284133452/485453790 今天中午,我突然想搞清楚Unicode和UTF ...
- 字符编码 ASCII,Unicode和UTF-8的关系
转自:http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/00143166410626 ...
- ASCII、UNICODE、UTF
在计算机中,一个字节对应8位,每位可以用0或1表示,因此一个字节可以表示256种情况. ascii 美国人用了一个字节中的后7位来表达他们常用的字符,最高位一直是0,这便是ascii码. 因此asci ...
随机推荐
- [Docker] Building a Node.js Image
Create a Dockerfile: FROM node:latest MAINTAINER Zhentian Wan ENV NODE_ENV=production ENV PORT= COPY ...
- [Angular] Communicate with Angular Elements using Inputs and Events
In a real world scenario we obviously need to be able to communicate with an Angular Element embedde ...
- Redis内存淘汰机制
转自:https://my.oschina.net/andylucc/blog/741965 摘要 Redis是一款优秀的.开源的内存数据库,我在阅读Redis源码实现的过程中,时时刻刻能感受到Red ...
- Unity3d for beginners
tutorial addr: https://www.youtube.com/watch?v=QUCEcAp3h28 1.打开Unity3d File->newProject ->cre ...
- ObservableCollection<T> 类
命名空间: System.Collections.ObjectModel程序集: System(在 System.dll 中)XAML 的 XMLNS: 未映射到 xmlns. 添加:using Sy ...
- SQL 之 查询操作重复记录
有时,我们的数据表中会存在一些冗余数据,这就要求我们查询并操作这些冗余数据. 一.查询表中重复记录 例如,查找重复记录是根据单个字段(peopleId)来判断 SELECT * FROM Tpeopl ...
- Extjs的各版本下载
Extjs的版本繁多,本文收集了Extjs各个版本的下载链接,包括官网和非官网的,以及各种汉化版api,欢迎大家下载分享. Extjs最新版下载链接:http://www.sencha.com/pro ...
- python 爬虫资料
API Requests PyQuery http://www.tuicool.com/articles/UZrmUb2 http://blog.csdn.net/cnmilan/article/de ...
- Java并发容器——ConcurrentSkipListMap和ConcurrentHashMap
一:ConcurrentSkipListMap TreeMap使用红黑树按照key的顺序(自然顺序.自定义顺序)来使得键值对有序存储,但是只能在单线程下安全使用:多线程下想要使键值对按照key的顺序来 ...
- Knockout JS 增加、去除、修改绑定
Knockuot js 似乎只考虑过怎么绑定(ko.applyBindings()),却没考虑过怎么去除绑定,当修改了DOM内容,需要重新绑定时,发现似乎无能为力. 一.解决办法 这里有一个重新绑定的 ...