细说:Unicode, UTF-8, UTF-16, UTF-32, UCS-2, UCS-4

原文链接: Malecrab 的博客

这篇文章讲的非常清楚了,我这里复制一份用于备份,查找。

Unicode与ISO 10646

全世界很多个国家都在为自己的文字编码,并且互不相通,不同的语言字符编码值相同却代表不同的符号(例如:韩文编码 EUC-KR 中 “한국어” 的编码值正好是汉字编码GBK中的“茄惫绢”)。

因此,同一份文档,拷贝至不同语言的机器,就可能成了乱码,于是人们就想:我们能不能定义一个超大的字符集,它可以容纳全世界所有的文字字符,再对它们统一进行编码,让每一个字符都对应一个不同的编码值,从而就不会再有乱码了。

如果说“各个国家都在为自己文字独立编码”是百家争鸣,那么“建立世界统一的字符编码”则是一统江湖,谁都想来做这个武林盟主。早前就有两个机构试图来做这个事:

  1. 国际标准化组织(ISO),他们于1984年创建ISO/IEC JTC1/SC2/WG2工作组,试图制定一份“通用字符集”(Universal Character Set,简称UCS),并最终制定了ISO 10646标准。
  2. 统一码联盟,他们由Xerox、Apple等软件制造商于1988年组成,并且开发了Unicode标准(The Unicode Standard,这个前缀Uni很牛逼哦 — Unique, Universal, and Uniform)。

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。两个项目仍都独立存在,并独立地公布各自的标准。不过由于Unicode这一名字比较好记,因而它使用更为广泛。

Unicode编码点分为17个平面(plane),每个平面包含 \( 2^{16} \)(即65536)个码点(code point)。17个平面的码点可表示为从 U+xx0000U+xxFFFF,其中xx表示十六进制值从 0x000x10,共计17个平面。

UTF-32 与 UCS-4

在 Unicode 与 ISO 10646 合并之前,ISO 10646标准为 通用字符集(UCS)定义了一种31位的编码形式(即UCS-4),其编码固定占用4个字节,编码空间为 0x00000000~0x7FFFFFFF(可以编码20多亿个字符)。

UCS-4有20多亿个编码空间,但实际使用范围并不超过 0x10FFFF,并且为了兼容Unicode标准,ISO也承诺将不会为超出 0x10FFFF 的 UCS-4 编码赋值。由此 UTF-32 编码被提出来了,它的编码值与UCS-4相同,只不过其编码空间被限定在了 0~0x10FFFF 之间。因此也可以说:UTF-32是UCS-4的一个子集。

UTF-16与UCS-2

除了UCS-4,ISO 10646 标准为 “通用字符集”(UCS)定义了一种16位的编码形式(即UCS-2),其编码固定占用2个字节,它包含65536个编码空间(可以为全世界最常用的63K字符编码,为了兼容Unicode,0xD800-0xDFFF 之间的码点未使用)。例:“汉” 的UCS-2编码为6C49。

但俩个字节并不足以正真地“一统江湖”(a fixed-width 2-byte encoding could not encode enough characters to be truly universal),于是UTF-16诞生了,与UCS-2一样,它使用两个字节为全世界最常用的63K字符编码,不同的是,它使用4个字节对不常用的字符进行编码。UTF-16属于变长编码。

前面提到过:Unicode编码点分为17个平面(plane),每个平面包含216(即65536)个码点(code point),而第一个平面称为“基本多语言平面”(Basic Multilingual Plane,简称BMP),其余平面称为“辅助平面”(Supplementary Planes)。

其中“基本多语言平面”(0~0xFFFF)中 0xD800~0xDFFF 之间的码点作为保留,未使用。UCS-2只能编码“基本多语言平面”中的字符,此时 UTF-16 与 UCS-2 的编码一样(都直接使用Unicode的码点作为编码值),例:“汉”在Unicode中的码点为6C49,而在UTF-16编码也为6C49。另外,UTF-16还可以利用保留下来的 0xD800-0xDFFF 区段的码点来对“辅助平面”的字符的码点进行编码,因此UTF-16可以为Unicode中所有的字符编码。

UTF-16中如何对“辅助平面”进行编码呢?

Unicode的码点区间为 0~0x10FFFF,除“基本多语言平面”外,还剩 0xFFFFF 个码点(并且其值都大于或等于0x10000)。对于“辅助平面”内的字符来说,如果用它们在Unicode中码点值减去0x10000,则可以得到一个0~0xFFFFF的区间(该区间中的任意值都可以用一个20-bits的数字表示)。该数字的前10位(bits)加上0xD800,就得到UTF-16四字节编码中的前两个字节;该数字的后10位(bits)加上0xDC00,就得到UTF-16四字节编码中的后两个字节。例如:

(这个字念啥?^_^)

上面这个汉字的 Unicode 码点值为 2AEAB,减去0x10000得到1AEAB(二进制值为 0001 1010 11 10 1010 1011),前10位加上D800得到D86B,后10位加上DC00得到DEAB。于是该字的UTF-16编码值为 D86BDEAB(该值为大端表示,小端为6BD8ABDE)。

使用 Python 输出 utf-16 编码

# 小端
In [15]: u'\U0002AEAB'.encode('utf-16-le')
Out[15]: 'k\xd8\xab\xde'

# 大端会输出6个字节,在前面填充 0xff, 0xfe
In [16]: u'\U0002AEAB'.encode('utf-16')
Out[16]: '\xff\xfek\xd8\xab\xde'

UTF-8

从前述内容可以看出:无论是 UTF-16/32 还是 UCS-2/4,一个字符都需要多个字节来编码,这对那些英语国家来说多浪费带宽啊!(尤其在网速本来就不快的那个年代。。。)由此,UTF-8产生了。在UTF-8编码中,ASCII码中的字符还是ASCII码的值,只需要一个字节表示,其余的字符需要2字节、3字节或4字节来表示。

UTF-8的编码规则:

  1. 对于ASCII码中的符号,使用单字节编码,其编码值与ASCII值相同(详见:U0000.pdf)。其中ASCII值的范围为 0~0x7F,所有编码的二进制值中第一位为0(这个正好可以用来区分单字节编码和多字节编码)。

  2. 其它字符用多个字节来编码(假设用N个字节),多字节编码需满足:第一个字节的前N位都为1,第N+1位为0,后面 N-1 个字节的前两位都为10,这N个字节中其余位全部用来存储Unicode中的码点值。

字节数 Unicode UTF-8编码
1 000000-00007F 0xxxxxxx
2 000080-0007FF 110xxxxx 10xxxxxx
3 000800-00FFFF 1110xxxx 10xxxxxx 10xxxxxx
4 010000-10FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

总结

  1. 简单地说:Unicode属于字符集,不属于编码,UTF-8、UTF-16等是针对Unicode字符集的编码。

  2. UTF-8、UTF-16、UTF-32、UCS-2、UCS-4对比:

对比 UTF-8 UTF-16 UTF-32 UCS-2 UCS-4
编码空间 0-10FFFF 0-10FFFF 0-10FFFF 0-FFFF 0-7FFFFFFF
最少编码字节数 1 2 4 2 4
最多编码字节数 4 4 4 2 4
是否依赖字节序

参考

2023年12月05日 / 19:18