Calvin's Tech Space

可能大家都聽說過 Unicode、UCS-2、UTF-8 等等詞匯，但它們具體是什么意思， 是什么原理，之間有什么關系，恐怕就很少有人明白了。 下面就分別介紹一下它們。
基本知識
字節和字符的區別
Big Endian和Little Endian
UCS-2和UCS-4
UTF-16和UTF-32
UTF-16
UTF-32
UTF-8
基本知識

介紹Unicode之前，首先要講解一些基礎知識。雖然跟Unicode沒有直接的關系， 但想弄明白Unicode，沒這些還真不行。
字節和字符的區別

咦，字節和字符能有什么區別啊？不都是一樣的嗎？完全正確，但只是在古老的DOS時代。 當Unicode出現后，字節和字符就不一樣了。

字節（octet）是一個八位的存儲單元，取值范圍一定是0～255。而字符（character，或者word） 為語言意義上的符號，范圍就不一定了。例如在UCS-2中定義的字符范圍為0～65535， 它的一個字符占用兩個字節。
Big Endian和Little Endian

上面提到了一個字符可能占用多個字節，那么這多個字節在計算機中如何存儲呢？ 比如字符0xabcd，它的存儲格式到底是 AB CD，還是 CD AB 呢？

實際上兩者都有可能，并分別有不同的名字。如果存儲為 AB CD，則稱為Big Endian； 如果存儲為 CD AB，則稱為Little Endian。

具體來說，以下這種存儲格式為Big Endian，因為值(0xabcd)的高位(0xab)存儲在前面：地址 值
0x00000000 AB
0x00000001 CD

相反，以下這種存儲格式為Little Endian：地址 值
0x00000000 CD
0x00000001 AB

UCS-2和UCS-4

Unicode是為整合全世界的所有語言文字而誕生的。任何文字在Unicode中都對應一個值， 這個值稱為代碼點（code point，參見Java核心技術的相關章節！）。代碼點的值通常寫成 U+ABCD 的格式。 而文字和代碼點之間的對應關系就是UCS-2（Universal Character Set coded in 2 octets）。 顧名思義，UCS-2是用兩個字節來表示代碼點，其取值范圍為 U+0000～U+FFFF。

為了能表示更多的文字，人們又提出了UCS-4，即用四個字節表示代碼點。 它的范圍為 U+00000000～U+7FFFFFFF，其中 U+00000000～U+0000FFFF和UCS-2是一樣的。

要注意，UCS-2和UCS-4只規定了代碼點和文字之間的對應關系，并沒有規定代碼點在計算機中如何存儲。 規定存儲方式的稱為UTF（Unicode Transformation Format），其中應用較多的就是UTF-16和UTF-8了。
UTF-16和UTF-32
UTF-16

UTF-16由RFC2781規定，它使用兩個字節來表示一個代碼點。

不難猜到，UTF-16是完全對應于UCS-2的，即把UCS-2規定的代碼點通過Big Endian或Little Endian方式 直接保存下來。UTF-16包括三種：UTF-16，UTF-16BE（Big Endian），UTF-16LE（Little Endian）。

UTF-16BE和UTF-16LE不難理解，而UTF-16就需要通過在文件開頭以名為BOM（Byte Order Mark）的字符 來表明文件是Big Endian還是Little Endian。BOM為U+FEFF這個字符。

其實BOM是個小聰明的想法。由于UCS-2沒有定義U+FFFE， 因此只要出現 FF FE 或者 FE FF 這樣的字節序列，就可以認為它是U+FEFF， 并且可以判斷出是Big Endian還是Little Endian。

舉個例子。“ABC”這三個字符用各種方式編碼后的結果如下：UTF-16BE 00 41 00 42 00 43
UTF-16LE 41 00 42 00 43 00
UTF-16(Big Endian) FE FF 00 41 00 42 00 43
UTF-16(Little Endian) FF FE 41 00 42 00 43 00
UTF-16(不帶BOM) 00 41 00 42 00 43

Windows平臺下默認的Unicode編碼為Little Endian的UTF-16（即上述的 FF FE 41 00 42 00 43 00）。 你可以打開記事本，寫上ABC，然后保存，再用二進制編輯器看看它的編碼結果。

另外，UTF-16還能表示一部分的UCS-4代碼點——U+10000～U+10FFFF。 表示算法比較復雜，簡單說明如下：
從代碼點U中減去0x10000，得到U'。這樣U+10000～U+10FFFF就變成了 0x00000～0xFFFFF。
用20位二進制數表示U'。 U'=yyyyyyyyyyxxxxxxxxxx
將前10位和后10位用W1和W2表示，W1=110110yyyyyyyyyy，W2=110111xxxxxxxxxx，則 W1 = D800～DBFF，W2 = DC00～DFFF。

例如，U+12345表示為 D8 08 DF 45（UTF-16BE），或者08 D8 45 DF（UTF-16LE）。

但是由于這種算法的存在，造成UCS-2中的 U+D800～U+DFFF 變成了無定義的字符。
UTF-32

UTF-32用四個字節表示代碼點，這樣就可以完全表示UCS-4的所有代碼點，而無需像UTF-16那樣使用復雜的算法。 與UTF-16類似，UTF-32也包括UTF-32、UTF-32BE、UTF-32LE三種編碼，UTF-32也同樣需要BOM字符。 僅用'ABC'舉例：UTF-32BE 00 00 00 41 00 00 00 42 00 00 00 43
UTF-32LE 41 00 00 00 42 00 00 00 43 00 00 00
UTF-32(Big Endian) 00 00 FE FF 00 00 00 41 00 00 00 42 00 00 00 43
UTF-32(Little Endian) FF FE 00 00 41 00 00 00 42 00 00 00 43 00 00 00
UTF-32(不帶BOM) 00 00 00 41 00 00 00 42 00 00 00 43

UTF-8

UTF-16和UTF-32的一個缺點就是它們固定使用兩個或四個字節， 這樣在表示純ASCII文件時會有很多00字節，造成浪費。 而RFC3629定義的UTF-8則解決了這個問題。

UTF-8用1～4個字節來表示代碼點。表示方式如下：UCS-2 (UCS-4) 位序列 第一字節 第二字節 第三字節 第四字節
U+0000 .. U+007F 00000000-0xxxxxxx 0xxxxxxx   
U+0080 .. U+07FF 00000xxx-xxyyyyyy 110xxxxx 10yyyyyy  
U+0800 .. U+FFFF xxxxyyyy-yyzzzzzz 1110xxxx 10yyyyyy 10zzzzzz 
U+10000..U+10FFFF 00000000-000wwwxx-
xxxxyyyy-yyzzzzzzz 11110www 10xxxxxx 10yyyyyy 10zzzzzz

可見，ASCII字符（U+0000～U+007F）部分完全使用一個字節，避免了存儲空間的浪費。 而且UTF-8不再需要BOM字節。