UTF-16

注意：本頁有Unihan新版漢字：「𪚥、𤭢」，這些字元可能會錯誤顯示，詳見Unicode擴充漢字。

UTF-16是Unicode字符編碼五層次模型的第三層：字符編碼表（Character Encoding Form，也稱為"storage format"）的一種實現方式。即把Unicode字符集的抽象碼位映射為16位長的整數（即碼元）的序列，用於數據存儲或傳遞。Unicode字符的碼位，需要1個或者2個16位長的碼元來表示，因此這是一個變長表示。

UTF是"Unicode/UCS Transformation Format"的首字母縮寫，即把Unicode字符轉換為某種格式之意。UTF-16正式定義於ISO/IEC 10646-1的附錄C，而RFC2781也定義了相似的做法。

UTF-16描述

Unicode的編碼空間從U 0000到U 10FFFF，共有1,112,064個碼位（code point）可用來映射字符。Unicode的編碼空間可以劃分為17個平面（plane），每個平面包含2¹⁶（65,536）個碼位。17個平面的碼位可表示為從U xx0000到U xxFFFF，其中xx表示十六進制值從00₁₆到10₁₆，共計17個平面。第一個平面稱為基本多語言平面（Basic Multilingual Plane, BMP），或稱第零平面（Plane 0），其他平面稱為輔助平面（Supplementary Planes）。基本多語言平面內，從U D800到U DFFF之間的碼位區段是永久保留不映射到Unicode字符。UTF-16就利用保留下來的0xD800-0xDFFF區段的碼位來對輔助平面的字符的碼位進行編碼。

從U 0000至U D7FF以及從U E000至U FFFF的碼位

第一個Unicode平面（碼位從U 0000至U FFFF）包含了最常用的字符。該平面被稱為基本多語言平面，縮寫為BMP（Basic Multilingual Plane，BMP）。UTF-16與UCS-2編碼這個範圍內的碼位為16比特長的單個碼元，數值等價於對應的碼位。BMP中的這些碼位是僅有的可以在UCS-2中表示的碼位。

從U 10000到U 10FFFF的碼位

輔助平面（Supplementary Planes）中的碼位，在UTF-16中被編碼為一對16比特長的碼元（即32位元，4字節），稱作代理對（Surrogate Pair），具體方法是：

UTF-16解碼

lead \ trail	DC00	DC01	…	DFFF
D800	10000	10001	…	103FF
D801	10400	10401	…	107FF
⋮	⋮	⋮	⋱	⋮
DBFF	10FC00	10FC01	…	10FFFF

1. 碼位減去 0x10000，得到的值的範圍為20比特長的 0...0xFFFFF。
2. 高位的10比特的值（值的範圍為 0...0x3FF）被加上 0xD800 得到第一個碼元或稱作高位代理（high surrogate），值的範圍是 0xD800...0xDBFF。由於高位代理比低位代理的值要小，所以為了避免混淆使用，Unicode標準現在稱高位代理為前導代理（lead surrogates）。
3. 低位的10比特的值（值的範圍也是 0...0x3FF）被加上 0xDC00 得到第二個碼元或稱作低位代理（low surrogate），現在值的範圍是 0xDC00...0xDFFF。由於低位代理比高位代理的值要大，所以為了避免混淆使用，Unicode標準現在稱低位代理為後尾代理（trail surrogates）。

上述算法可理解為：輔助平面中的碼位從U 10000到U 10FFFF，共計FFFFF個，即2²⁰=1,048,576個，需要20位來表示。如果用兩個16位長的整數組成的序列來表示，第一個整數（稱為前導代理）要容納上述20位的前10位，第二個整數（稱為後尾代理）容納上述20位的後10位。還要能根據16位整數的值直接判明屬於前導整數代理的值的範圍（2¹⁰=1024)，還是後尾整數代理的值的範圍（也是2¹⁰=1024）。因此，需要在基本多語言平面中保留不對應於Unicode字符的2048個碼位，就足以容納前導代理與後尾代理所需要的編碼空間。這對於基本多語言平面總計65536個碼位來說，僅占3.125%。

由於前導代理、後尾代理、BMP中的有效字符的碼位，三者互不重疊，搜索是簡單的：一個字符編碼的一部分不可能與另一個字符編碼的不同部分相重疊。這意味着UTF-16是自同步（self-synchronizing）的：可以通過僅檢查一個碼元來判定給定字符的下一個字符的起始碼元。UTF-8也有類似優點，但許多早期的編碼模式就不是這樣，必須從頭開始分析文本才能確定不同字符的碼元的邊界。

由於最常有的字符都在基本多文種平面中，許多軟件處理代理對的部分往往得不到充分的測試。這導致了一些長期的bug與潛在安全漏洞，它們甚至存在於廣為流行且評價頗高的應用軟件中。

從U D800到U DFFF的碼位

Unicode標準規定U D800...U DFFF的值不對應於任何字符。

但是在使用UCS-2的時代，U D800...U DFFF內的值被占用，用於某些字符的映射。但只要不構成代理對，許多UTF-16編碼解碼還是能把這些不符合Unicode標準的字符映射正確的辨識、轉換成合規的碼元。按照Unicode標準，這種碼元序列本來應算作編碼錯誤。

範例：

以U 10437編碼（𐐷）為例:

1. 0x10437 減去 0x10000，結果為0x00437，二進制為 0000 0000 0100 0011 0111
2. 分割它的上10位值和下10位值（使用二進制）：0000 0000 01 和 00 0011 0111
3. 添加 0xD800 到上值，以形成高位：0xD800 0x0001 = 0xD801
4. 添加 0xDC00 到下值，以形成低位：0xDC00 0x0037 = 0xDC37

• 下表總結了一起示例的轉換過程，顏色指示碼點位如何分布在所述的UTF-16中。由UTF-16編碼過程中加入附加位的以黑色顯示。

字符		普通二進制	UTF-16二進制	UTF-16 十六進制 字符代碼	UTF-16BE 十六進制字節	UTF-16LE 十六進制字節
$	U 0024	0000 0000 0010 0100	0000 0000 0010 0100	0024	00 24	24 00
€	U 20AC	0010 0000 1010 1100	0010 0000 1010 1100	20AC	20 AC	AC 20
𐐷	U 10437	0001 0000 0100 0011 0111	1101 1000 0000 0001 1101 1100 0011 0111	D801 DC37	D8 01 DC 37	01 D8 37 DC
𤭢	U 24B62	0010 0100 1011 0110 0010	1101 1000 0101 0010 1101 1111 0110 0010	D852 DF62	D8 52 DF 62	52 D8 62 DF

範例：UTF-16編碼程序

假設要將U 64321（16進位）轉成UTF-16編碼。因為它超過U FFFF，所以他必須編譯成32位元（4個byte）的格式，如下所示：

V = 0x64321
Vx = V - 0x10000
= 0x54321
= 0101 0100 0011 0010 0001

Vh = 01 0101 0000 // Vx的高位部份的10 bits
Vl = 11 0010 0001 // Vx的低位部份的10 bits
w1 = 0xD800 //結果的前16位元初始值
w2 = 0xDC00 //結果的後16位元初始值

w1 = w1 | Vh
= 1101 1000 0000 0000
 |       01 0101 0000
= 1101 1001 0101 0000
= 0xD950

w2 = w2 | Vl
= 1101 1100 0000 0000
 |       11 0010 0001
= 1101 1111 0010 0001
= 0xDF21

所以這個字U 64321最後正確的UTF-16編碼應該是：

0xD950 0xDF21

而在小尾序中最後的編碼應該是：

0x50D9 0x21DF

因為這個字超過U FFFF所以無法用UCS-2的格式編碼。

16進制編碼範圍	UTF-16表示方法（二進制）	10進制碼範圍	字節數量
U 0000 - U FFFF	xxxx xxxx xxxx xxxx - yyyy yyyy yyyy yyyy	0-65535	2
U 10000 - U 10FFFF	1101 10yy yyyy yyyy - 1101 11xx xxxx xxxx	65536-1114111	4

UTF-16比起UTF-8，好處在於大部分字符都以固定長度的字節（2字節）儲存，但UTF-16卻無法相容於ASCII編碼。

UTF-16的編碼模式

UTF-16的大尾序和小尾序儲存形式都在用。一般來說，以Macintosh製作或儲存的文字使用大尾序格式，以Microsoft或Linux製作或儲存的文字使用小尾序格式。

為了弄清楚UTF-16文件的大小尾序，在UTF-16文件的開首，都會放置一個U FEFF字符作為Byte Order Mark（UTF-16 LE以 FF FE 代表，UTF-16 BE以 FE FF 代表），以顯示這個文字檔案是以UTF-16編碼，其中U FEFF字符在UNICODE中代表的意義是 ZERO WIDTH NO-BREAK SPACE，顧名思義，它是個沒有寬度也沒有斷字的空白。

以下的例子有四個字符：「朱」（U 6731）、半角逗號（U 002C）、「聿」（U 807F）、「𪚥」（U 2A6A5）。

使用UTF-16編碼的例子
編碼名稱	編碼次序	編碼
		BOM	朱	,	聿	𪚥
UTF-16 LE	小尾序，不含BOM		31 67	2C 00	7F 80	69 D8 A5 DE
UTF-16 BE	大尾序，不含BOM		67 31	00 2C	80 7F	D8 69 DE A5
UTF-16 LE	小尾序，包含BOM	FF FE	31 67	2C 00	7F 80	69 D8 A5 DE
UTF-16 BE	大尾序，包含BOM	FE FF	67 31	00 2C	80 7F	D8 69 DE A5

UTF-16與UCS-2的關係

UTF-16可看成是UCS-2的父集。在沒有輔助平面字符（surrogate code points）前，UTF-16與UCS-2所指的是同一的意思。但當引入輔助平面字符後，就稱為UTF-16了。現在若有軟件聲稱自己支援UCS-2編碼，那其實是暗指它不能支援在UTF-16中超過2位元組的字集。對於小於0x10000的UCS碼，UTF-16編碼就等於UCS碼。

Microsoft Windows操作系統內核對Unicode的支持

Windows操作系統內核中的字符表示為UTF-16小尾序，可以正確處理、顯示以4字節存儲的字符。但是Windows API實際上僅能正確處理UCS-2字符，即僅以2字節存儲的，碼位小於U FFFF的Unicode字符。其根源是Microsoft C 語言把 wchar_t 數據類型定義為16比特的unsigned short，這就與一個 wchar_t 型變量對應一個寬字符、可以存儲一個Unicode字符的規定相矛盾。相反，Linux平台的GCC編譯器規定一個 wchar_t 是4字節長度，可以存儲一個UTF-32字符，寧可浪費了很大的存儲空間。下例運行於Windows平台的C 程序可說明此點：

// 此源文件在Windows平台上必须保存为Unicode格式（即UTF-16小尾）
// 因为包含的汉字“𪚥”，不能在简体中文版Windows默认的代码页936（即GBK）中表示
// 该汉字在UTF-16小尾序中用4个字节表示
// Windows操作系统能正确显示这样的在UTF-16需用4字节表示的字符
// 但是Windows API不能正确处理这样的在UTF-16需用4字节表示的字符，把它判定为2个UCS-2字符

#include <windows.h>
#include <stdio.h>

int main()
{
	const wchar_t lwc[] = L"𪚥";

	MessageBoxW(NULL, lwc, lwc, MB_OK);

	int i = wcslen(lwc);
	printf("%d\n", i);
	int j = lstrlenW(lwc);
	printf("%d\n", j);

	return 0;
}

Windows 9x系統的API僅支持ANSI字符集，只支持部分的UCS-2轉換。1996年發布的Windows NT 4.0的API支持UCS-2。Windows 2000開始，Windows系統API開始支持UTF-16，並支持Surrogate Pair；但許多系統控件比如文本框和label等還不支持surrogate pair表示的字符，會顯示成兩個字符。Windows 7及更新的系統已經良好地支持了UTF-16，包括Surrogate Pair。

Windows API支持在UTF-16LE（wchar_t類型）與UTF-8（代碼頁CP_UTF8）之間的轉碼。例如：

#include <windows.h>
int main() {
	char a1[128], a2[128] = { "Hello" };
	wchar_t w = L'页';
	int n1, n2= 5;
	wchar_t w1[128];
	int m1 = 0;

	n1 = WideCharToMultiByte(CP_UTF8, 0, &w, 1, a1, 128, NULL, NULL);
	m1 = MultiByteToWideChar(CP_UTF8, 0, a2, n2, w1, 128);
}

外部連結

• Unicode Technical Note #12: UTF-16 for Processing （頁面存檔備份，存於網際網路檔案館）
• A very short algorithm for determining the surrogate pair for any codepoint（頁面存檔備份，存於網際網路檔案館）
• Unicode FAQ: What is the difference between UCS-2 and UTF-16? （頁面存檔備份，存於網際網路檔案館）
• Unicode Character Name Index （頁面存檔備份，存於網際網路檔案館）
• RFC 2781: UTF-16, an encoding of ISO 10646
• java.lang.String documentation, discussing surrogate handling （頁面存檔備份，存於網際網路檔案館）