Skip to content

Latest commit

 

History

History
107 lines (91 loc) · 5.7 KB

unicodeStandard.md

File metadata and controls

107 lines (91 loc) · 5.7 KB
Raw

Unicode 学习笔记

Unicode encoding model

The four levels of the Unicode Character Encoding Model can be summarized as:

  • ACR: Abstract Character Repertoire
    the set of characters to be encoded, for example, some alphabet or symbol set
  • CCS: Coded Character Set
    a mapping from an abstract character repertoire to a set of nonnegative integers
  • CEF: Character Encoding Form
    a mapping from a set of nonnegative integers that are elements of a CCS to a set of sequences of particular code units of some specified width, such as 32-bit integers
  • CES: Character Encoding Scheme
    a reversible transformation from a set of sequences of code units (from one or more CEFs to a serialized sequence of bytes)

In addition to the four individual levels, there are two other useful concepts:

  • CM: Character Map
    a mapping from sequences of members of an abstract character repertoire to serialized sequences of bytes bridging all four levels in a single operation
  • TES: Transfer Encoding Syntax
    a reversible transform of encoded data, which may or may not contain textual data

Unicode Character Encoding Model -- unicode.org

  • 四个层次
    1. 抽象字符层(ACR)。比如我们平时使用的文字就是抽象字符。
    2. 码化字符集(CCS)。所有抽象字符映射为一系列非负数（Code point）。
    3. 字符编码方式(CEF)。将上一层的整数转为代码单元（code unit）的集合。
    4. 字符编码模式(CES)。由一系列代码单元（code unit）组成的模式。例如 UTF-8、UTF-16 等等

基本概念

  1. Code point（0x0 - 0x10FFFF）

    • 表示法 U 1FFFF. （U 一个十六进制数）
    • 一个代码点，是一个数字，代表一个字符。
    • 同一个代码点在不同的编码格式中占用的空间大小有可能不同。比如，UTF-32 中所有代码点都是 4 个字节， UTF-8 中 代码点是可变长的 1-4 字节

  2. code unit

    Code unit: The minimal bit combination that can represent a unit of encoded text for processing or interchange.

    • 在一个 CES 中，能表示一个字符的最小位组合数。UTF-8 为 8 bits，UTF-16 为 16 bits，UTF-32 为 32 bits。

  3. UTF-32(UCS-4)

    • 固定 4 个字节（32 bits）长度， 不管是 BMP，还是 SMP，不足 4 字节使用前导 0 代替。

  4. UCS-2

    • 固定 2 字节（16 bits）。只能表示 BMP

  5. UTF-16

    • 前身为 UCS-2， 但其不能表示 SMP，为弥补该缺陷产生了 UTF-16。
    • 2 或 4 字节（16 or 32 bits）。
    • 构成：
      1. U 0000..U D7FF && U E000..U FFFF // 用来表示部分 BMP 字符
      2. U D800..U DFFF // surrogate pairs 用来表示 SMP
        • 2 个 2 字节
        • high surrogate， 第一个 2 字节，范围为 0xD800..0xDBFF.
        • low surrogate，第二个 2 字节，范围为 U DC00..U DFFF
        • 计算方式（栗子： 0x10437）：
          1. 减去 0x10000。 result = 0x00437, 二进制表示：0000 0000 0100 0011 0111。
          2. 将结果分为高 10 bits 0x0001 和低 10 bits 0x0037
          3. high surrogate = 0x0001 0xD800 = 0xD801
          4. low surrogate = 0x0037 0xDC00 = 0xDC37
          5. 所以 0x10437 的 UTF 16 表示 为 0xD801DC37
    • 存储方式
      • 因为是多字节存储的所以会有两种方式
      • UTF-16BE // 大端法（默认）
      • UTF-16LE // 小端法

  6. UTF-8

    • 模式
    • 例子

  7. Byte order mark(BOM)

The byte order mark (BOM) is a Unicode character, U FEFF BYTE ORDER MARK (BOM), whose appearance as a magic number at the start of a text stream can signal several things to a program consuming the text:

  • What byte order, or endianness, the text stream is stored in;
  • The fact that the text stream is Unicode, to a high level of confidence;
  • Which of several Unicode encodings that text stream is encoded as.
  • -- from Byte order mark(BOM)
  • 尽量不用

参考

  1. Unicode Character Encoding Model -- unicode.org
  2. Code point
  3. 代码点(Code Point)和代码单元(Code Unit)
  4. Plane
  5. Basic Multilingual Plane
  6. Supplementary Multilingual Plane
  7. UTF-32
  8. UTF-16
  9. What is a “surrogate pair” in Java? -- stackoverflow
  10. Surrogates
  11. UTF-8
  12. Byte order mark(BOM)