Unicode标准以及其常见的编码方案

Unicode标准为每一个字符提供一个唯一的数字，而不用区分平台、语言等因素。

The Unicode Standard provides a unique number for every character, no matter what platform, device, application or language.

基本概念

在开始学习之前，我们需要先了解本文所涉及到的一些基本概念。

抽象字符（Abstract character）：用于组织、控制或者表示文本数据的信息单元。

• 抽象字符没有具体的形式，不应与图像字符（glyph）混淆。
• 抽象字符不一定对应于人们所认知的“字”，不应与字素（grapheme）混淆。
• 不能被Unicode标准直接编码的抽象字符通常可以通过组合字符序列来表示。

抽象字符序列（Abstract character sequence）：一个或多个抽象字符的有序序列。

Unicode编码空间（Unicode codespace）：十六进制0x0～0x10FFFF之间的整数。

码位（Code point）：Unicode编码空间中的任意值。

编码字符（Coded character）：当抽象字符被映射或者分配到编码空间中特定的码位时，它就被称为编码字符。

码位

码位是Unicode标准中很重要的一个概念。它的取值范围是十六进制的0x0～0x10FFFF，换算成十进制是0～1114111，共计1114112个。

需要注意的是，一个单一的抽象字符可能对应一个以上的码位。例如，Ω既可以表示大写的希腊字母Omega，码位是U+03A9，也可以表示物理学中的欧姆符号，码位是U+2126。

>>> '\u03a9'
'Ω'
>>> '\u2126'
'Ω'

单个抽象字符也可以由一系列码位的序列来表示。例如，é的码位是U+00E9，它也可以由小写字母e（码位为U+0065）和 ́（Combining Acute Accent）（码位为U+0301）组合而成。

>>> '\u00e9'
'é'
>>> '\u0065\u0301'
'é'

在Unicode标准中，码位的表示方法通常是使用它们的十六进制，并加上U+前缀。

码位的类型

码位的分类方法多种多样。我们通过下表来阐明Unicode标准使用的七种类型和一些术语。

基本类型	简要描述	是否分配给抽象字符	码位范围
图形（Graphic）	字母、标记、数字、标点符号、符号和空格	是
格式（Format）	不可见但是影响相邻字符。包括行、段落分割符	是
控制（Control）	Unicode标准以外的协议或标准定义的用法	是	U+0000～U+001F，U+007F，U+0080～U+009F，共计65个
私用（Private-use）	Unicode标准以外的私有协议定义的用法	是
代理 (Surrogate)	永久预留给UTF-16编码方案	不允许分配	U+D800～U+DFFF，共计2048个
非字符（Noncharacter）	永久预留给内部使用	否	U+FDD0～U+FDEF，所有以FFFE或者FFFF结尾的码位，共计66个
保留（Reserved）	预留给将来使用	否

我们需要格外注意代理（Surrogate）类型，理解他有助于我们学习UTF-16。它总共包含2048个码位，码位空间为U+D800～U+DFFF。它由引发出两个新的概念：

高位代理（High-Surrogate）：U+D800～U+DBFF范围内的码位，共计1024个。

低位代理（Low-Surrogate）：U+DC00～U+DFFF范围内的码位，共计1024个。

关于它们更多的内容，稍后结合UTF-16再讨论。

编码方案

在介绍具体的编码方案之前，我们先明确一些新的基本概念。

Unicode标量值（Unicode scalar value）：除去高位代理和低位代理之外，所有的Unicode码位，也就是U+0000～U+D7FF和U+E000～U+10FFFF范围内的码位。

编码单元（Code unit）：最小的比特位组合，表示用于交换或处理的编码文本单元。Unicode标准中定义，UTF-8使用8比特的编码单元，UTF-16使用16比特的编码单元，UTF-32使用32比特的编码单元。

编码单元序列（Code unit sequence）：一个或多个编码单元的有序序列。

UTF-32

UTF-32将每个Unicode标量值映射成一个无符号的32比特的编码单元，数值与Unicode标量值相同，这是一种定长的编码方案。

注意，UTF-32无法编码U+D800～U+DFFF之间的码位，因为它们不属于Unicode标量值。

>>> '\ud800'.encode('utf32')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'utf-32' codec can't encode character '\ud800' in position 0: surrogates not allowed

UTF-16

UTF-16将Unicode标量值中U+0000～U+D7FF和U+E000～U+FFFF范围内的码位映射成一个无符号的16比特的编码单元，数值与Unicode标量值相同。将U+10000～U+10FFFF范围内的码位映射成一个代理对，所谓的代理对就是上文提到的高位代理和低位代理。UTF-16是一种定长和变长兼顾的编码方案。

下表阐明了UTF-16的编码方式。

Unicode标量值	UTF-16
xxxx xxxx xxxx xxxx	xxxx xxxx xxxx xxxx
000u uuuu xxxx xxxx xxxx xxxx	1101 10ww wwxx xxxx 1101 11xx xxxx xxxx

其中， wwww = uuuuu - 1

重点分析使用代理对的情况，一个代理对包含一个高位代理编码单元和一个低位代理编码单元，都是16比特的。其中高位代理的范围是U+D800～U+DBFF，转换成二进制，它的格式应该是1101 10xx xxxx xxxx，低位代理的范围是U+DC00～U+DFFF，转换成二进制，它的格式应该是1101 11xx xxxx xxxx。

至此，我们还剩下20位可以填充。我们将码位减去U+10000，再从右到左依次填充进去，就能得到UTF-16的编码。

以字符𐌂（Old Italic Letter Ke）为例，它的码位是U+10302，二进制表示是0000 0001 0000 0011 0000 0010，减去U+10000（二进制为0000 0001 0000 0000 0000 0000），得到0000 0000 0000 0011 0000 0010。从右到左填充进模版，得到1101 1000 0000 0000 1101 1111 0000 0010，对应的十六进制是D800 DF02。

>>> '𐌂'.encode('utf-16be')
b'\xd8\x00\xdf\x02'

UTF-8

UTF-8将每个Unicode标量值映射成一到四个无符号的8比特的编码单元，这是一种变长的编码方案。

下表阐明了UTF-8的编码方式。

Unicode标量值	第一个字节	第二个字节	第三个字节	第四个字节
00000000 0xxxxxxx	0xxxxxxx
00000yyy yyxxxxxx	110yyyyy	10xxxxxx
zzzzyyyy yyxxxxxx	1110zzzz	10yyyyyy	10xxxxxx
000uuuuu zzzzyyyy yyxxxxxx	11110uuu	10uuzzzz	10yyyyyy	10xxxxxx

仍然以字符𐌂（Old Italic Letter Ke）为例，它的码位是U+10302，二进制表示是00000001 00000011 00000010，套用表中的模式，得到 11110000 10010000 10001100 10000010，对应的十六进制是F090 8C82。

>>> '𐌂'.encode('utf-8')
b'\xf0\x90\x8c\x82'

下表阐明了UTF-8的所有有效编码范围。

Unicode标量值范围	第一个字节	第二个字节	第三个字节	第四个字节
U+0000～U+007F	00～7F
U+0080～U+07FF	C2～DF	80～BF
U+0800～U+0FFF	E0	A0～BF	80～BF
U+1000～U+CFFF	E1～EC	80～BF	80～BF
U+D000～U+D7FF	ED	80～9F	80～BF
U+E000～U+FFFF	EE～EF	80～BF	80～BF
U+10000～U+3FFFF	F0	90～BF	80～BF	80～BF
U+40000～U+FFFFF	F1～F3	80～BF	80～BF	80～BF
U+100000～U+10FFFF	F4	80～8F	80～BF	80～BF

参考资料

1. UnicodeStandard-12.0：https://www.unicode.org/versions/Unicode12.1.0/