哈嘍，大家好，我是指北君。

最近看《狂飆》了吧，大嫂氣場(chǎng)十足！颯爽！

Unicode（統(tǒng)一碼、萬(wàn)國(guó)碼、單一碼）是一種在計(jì)算機(jī)上使用的字符編碼。Unicode是為了解決傳統(tǒng)的字符編碼方案的局限而產(chǎn)生的，它為每種語(yǔ)言中的每個(gè)字符 設(shè)定了統(tǒng)一并且唯一的二進(jìn)制編碼，以滿足跨語(yǔ)言、跨平臺(tái)進(jìn)行文本轉(zhuǎn)換、處理的要求。

簡(jiǎn)介

• 什么是字符集？

字符集當(dāng)然是字符的集合，那么字符呢？你看到這篇文章的每個(gè)字母、中文或標(biāo)點(diǎn)符號(hào)，就是一個(gè)個(gè)字符。

在計(jì)算器出現(xiàn)的早期，計(jì)算機(jī)僅支持的字符集為ASCII，其對(duì)應(yīng)的字符就能夠滿足當(dāng)時(shí)的使用需求，但隨著計(jì)算機(jī)的發(fā)展，在計(jì)算機(jī)上需要顯示的內(nèi)容越來(lái)越復(fù)雜， 各個(gè)國(guó)家不同廠商都有自己的實(shí)現(xiàn)標(biāo)準(zhǔn)，然而有沒(méi)有誰(shuí)能夠兼容世界所有的文字，因此產(chǎn)生了各種字符集，比如ASCII、ISO-8859-1、GB2312、BIG5等等。

• 為什么要用字符編碼？

為了實(shí)現(xiàn)人和計(jì)算機(jī)間的交流，我們只認(rèn)識(shí)字符，計(jì)算機(jī)只認(rèn)識(shí)二進(jìn)制數(shù)據(jù)，字符編碼即實(shí)現(xiàn)將字符轉(zhuǎn)換成機(jī)器碼進(jìn)行存儲(chǔ)、使用的的一種技術(shù)手段。

Unicode是字符集，而不是編碼方式。

字符集

字母、文字、數(shù)字、標(biāo)點(diǎn)符號(hào)、圖形符號(hào)等字符的集合。表示了字符到二進(jìn)制比特位的映射關(guān)系

ASCII

• 技術(shù)特征：7位（bits）表示一個(gè)字符，共128字符，字符值從0到127，其中32到126是可打印字符。
• 擴(kuò)展字符集：7位編碼的字符集只能支持128個(gè)字符，為了表示更多的歐洲常用字符對(duì)ASCII進(jìn)行了擴(kuò)展，ASCII擴(kuò)展字符集使用8位（bits）表示一個(gè)字符，共256字符。ASCII擴(kuò)展字符集：它是從ASCII字符集擴(kuò)充出來(lái)的，擴(kuò)充后的符號(hào)增加了表格符號(hào)、計(jì)算符號(hào)、希臘字母和特殊的拉丁符號(hào)。

GB2312

• GB2312是中國(guó)國(guó)家標(biāo)準(zhǔn)的簡(jiǎn)體中文字符集。它所收錄的漢字已經(jīng)覆蓋99.75%的使用頻率，基本滿足了漢字的計(jì)算機(jī)處理需要。在中國(guó)大陸和新加坡獲廣泛使用。
• 技術(shù)特征（1）分區(qū)表示：GB2312中對(duì)所收漢字進(jìn)行了“分區(qū)”處理，每區(qū)含有94個(gè)漢字/符號(hào)。這種表示方式也稱為區(qū)位碼。各區(qū)包含的字符如下：01-09區(qū)為特殊符號(hào)；16-55區(qū)為一級(jí)漢字，按拼音排序；56-87區(qū)為二級(jí)漢字，按部首/筆畫排序；10-15區(qū)及88-94區(qū)則未有編碼。（2）雙字節(jié)表示 兩個(gè)字節(jié)中前面的字節(jié)為第一字節(jié)，后面的字節(jié)為第二字節(jié)。習(xí)慣上稱第一字節(jié)為“高字節(jié)” ，而稱第二字節(jié)為“低字節(jié)”。“高位字節(jié)”使用了0xA1-0xF7(把01-87區(qū)的區(qū)號(hào)加上0xA0)，“低位字節(jié)”使用了0xA1-0xFE(把01-94加上0xA0)。
• UnicodeUnicode是一種在計(jì)算機(jī)上使用的字符編碼。它為每種語(yǔ)言中的每個(gè)字符設(shè)定了統(tǒng)一并且唯一的二進(jìn)制編碼，以滿足跨語(yǔ)言、跨平臺(tái)進(jìn)行文本轉(zhuǎn)換、處理的要求。Unicode 標(biāo)準(zhǔn)始終使用十六進(jìn)制數(shù)字，而且在書寫時(shí)在前面加上前綴“U+”，例如字母“A”的編碼為 0x0041 和字符“€”的編碼為 0x20AC，所以“A”、“€”的編碼書寫為“U+0041”、“U+20AC”。

字符集編碼

字符對(duì)應(yīng)二進(jìn)制字節(jié)表示后的編碼規(guī)則以及存儲(chǔ)形式。

• ASCII
• GB2312
• UTF-8

ASCII、GB2312 是字符集也是字符編碼

unicode

• 5層模型

Unicode編碼模型包含五層：

• Unicode字符集被劃分基本多文種平面、輔助平面，共17個(gè)平面(或17個(gè)區(qū)，編號(hào)為 0-16 )，每個(gè)平面有 216即65536個(gè)碼點(diǎn)， 共65536*17=1,114,112個(gè)碼點(diǎn)
• 碼點(diǎn)空間范圍為U+000000 ~ U+10FFFF。
• 每個(gè)碼點(diǎn)對(duì)應(yīng)一個(gè)字符（有些屬于非字符或被保留碼點(diǎn)），但是一個(gè)字符可能有多個(gè)碼點(diǎn)（比如?）
• unicode編碼有UTF8、UTF16、UTF32，分別最少需要1、2、4個(gè)字節(jié)來(lái)存儲(chǔ)一個(gè)字符編碼

unicode是字符的表現(xiàn)形式，而utf8是字符的存儲(chǔ)形式，或者說(shuō)是存儲(chǔ)實(shí)現(xiàn)

unicode和utf8

下面是unicode與unf8的映射表，我們通過(guò)字符的unicode碼點(diǎn)（對(duì)應(yīng)的16進(jìn)制編碼）可以找到對(duì)應(yīng)的utf-8格式并進(jìn)行編碼轉(zhuǎn)換最終實(shí)現(xiàn)物理存儲(chǔ)。

那么unicode字符如何轉(zhuǎn)換成utf8編碼呢？

• 比如“我”對(duì)應(yīng)unicode為 \u6211，可以通過(guò)該網(wǎng)站查詢到
• 轉(zhuǎn)換為二進(jìn)制后：01100010 00010001
• 根據(jù)上表的取值范圍可以確定為：000800-00FFFF - 1110xxxx 10xxxxxx 10xxxxxx
• 通過(guò)轉(zhuǎn)換后結(jié)果為：11100110 10001000 10010001
• 轉(zhuǎn)換為16進(jìn)制為：E6 88 91，可以通過(guò)UE這樣的編輯工具，切換成16進(jìn)制模式，可以看到“我”轉(zhuǎn)換后的編碼也是這個(gè)

有沒(méi)想過(guò)，像GBK為什么既可以是字符集又可以是字符編碼？其實(shí)將字符映射成對(duì)應(yīng)的二進(jìn)制數(shù)據(jù)時(shí)，我們是可以將其直接存儲(chǔ)到計(jì)算機(jī)，但unicode作為統(tǒng)一碼，基本攘括了目前常用的所有的字符，而這些字符不是都由兩個(gè)字節(jié)組成，比如前面說(shuō)的?，那么如何確定一個(gè)字符到此從哪個(gè)字節(jié)開始呢？這里引用utf編碼就是為了實(shí)現(xiàn)這個(gè)，不僅減少了字符空間占比，同時(shí)提高了字符編碼效率。

BOM

BOM 是 Byte Order Mark 的縮寫。是UTF編碼方案里用于標(biāo)識(shí)編碼的標(biāo)準(zhǔn)標(biāo)記，在UTF-16里本來(lái)是FF FE，變成UTF-8就成了EF BB BF。這個(gè)標(biāo)記是可選的， 因?yàn)閁TF8字節(jié)沒(méi)有順序，所以它可以被用來(lái)檢測(cè)一個(gè)字節(jié)流是否是UTF-8編碼的。

Java中的unicode

在java中，我們通過(guò)\u開頭來(lái)表示unicode編碼，比如上面的\u6211，則表示的是“我”。

看下面這段代碼，你覺(jué)得會(huì)輸出什么？

public static void main(String[] args) throws IOException {
        //
        // \u000d System.out.println("Hello World");
    }

當(dāng)然是“Hello World”了，不要覺(jué)得//后面的代碼全部會(huì)被解析為注釋，前提是沒(méi)有換行符，然而\u000d恰好會(huì)被解釋為換行符，這樣其后面的代碼會(huì)作為新的一行進(jìn)行解析， 這也是為什么會(huì)有這樣的輸出結(jié)果了

通過(guò)下面的命令可以對(duì)java源文件進(jìn)行編譯：

javac ./Main.java -encoding utf-8

window環(huán)境默認(rèn)編碼為gbk

要知道java作為一門高級(jí)靜態(tài)語(yǔ)言，需要通過(guò)編譯后才能交由JVM加載使用的，在java文件編譯前還會(huì)經(jīng)歷對(duì)源代碼進(jìn)行詞法分析、語(yǔ)法分析、語(yǔ)義分析等等，最后生成class文件后，才能被JVM加載。而源文件中\(zhòng)u開頭的字符則是在這個(gè)過(guò)程中被解析并處理的。

結(jié)束語(yǔ)

unicode作為世界統(tǒng)一編碼，經(jīng)歷了很多變革，該篇主要通過(guò)unicode讓你對(duì)字符集以及字符編碼有一個(gè)簡(jiǎn)單的認(rèn)識(shí)。