Java Core 学习笔记——3.char/Unicode/代码点/代码单元

通用字符集（UCS）

UCS包括了其他所有的字符集（包含了已知语言的所以字符）。

ISO/IEC 10646定义了一个31位的字符集（首位恒定为0，占用4字节）。

Unicode（万国码、国际码、统一码、单一码）

编码方式：

Unicode编码空间从“U+0000”到“U+10FFFF”（共1112064个码位），Unicode的编码空间划为17个平面，每个平面包含2¹⁶（65536）个码位。17个平面码位可表示为“U+xx0000”到“U+xxFFFF”（xx表示十六进制从    00₁₆到10₁₆，共计17个平面）。第一个平面称为基本多文种平面，其他平面为辅助平面。

Unicode目前实际应用的版本对应于UCS-2，使用16位的编码空间（占用2字节，最多可表示2¹⁶=65536个字符），但当前版本并未完全使用这16位编码，仍保留了大量空间以作为特殊使用或将来扩展。

上述16位Unicode字符构成了基本多文种平面（属于UCS级别3，简称BMP，又称“零号平面”）。最新（未实际广泛使用）的Unicode版本又定义了16个辅助平面，共占用4字节编码空间，与UCS-4（未来版本将会达到，UCS-4为31位字符集，加上首位恒为0,共占32位，4字节，最多可表示2³¹个字符）一致。

基本多文种平面的字符的编码为“U+hhhh”（h为一个十六进制数字），与UCS-2编码完全相同。同一字符UCS-2对应的UCS-4编码后两字节相同，前两字节均为0。

实现方式（UTF）：

在不同平台上，为了节省空间，Unicode编码的实现方式不同。

例如，对一个仅含基本7位ASCⅡ字符的Unicode文件，如果每个字符以2字节的原Unicode编码方式传输将浪费巨大空间。对于这种情况，可以采用UTF-8编码（占用一个字节，后7位为原ASCⅡ编码，首位补0）。对于ASCⅡ与其他Unicode字符混混的情况，将通过算法转换，每个字符使用1-4个字节编码。

代码点/代码单元（JDK 5.0）

Java中，char类型用UTF-16编码描述一个代码单元（code unit）。

UTF-16采用不同长度的编码表示所有的Unicode代码点。在基本多文种平面，每个字符用16位表示（通常称为一个代码单元）；辅助字符采用一对连续的代码单元（32位）表示。

参考链接

• Unicode：http://zh.wikipedia.org/wiki/Unicode
• UCS：http://zh.wikipedia.org/wiki/%E9%80%9A%E7%94%A8%E5%AD%97%E7%AC%A6%E9%9B%86
• UTF-16：http://zh.wikipedia.org/wiki/UTF-16

写在最后

UCS、Unicode、UTF，越看越晕，越写越不知道在写什么。怎么写的和Java一点关系都没有啊！

发现好像可以用一句话直接总结：Java里的字符串就是由char类型序列，一个个的代码点表示的，大部分常用字符（基本多文种平面）的代码点使用一个代码单元（2字节），辅助字符则为一对代码单元（4字节）。