Java中的字符集编码入门的增补字符.docx
4页
Java中的字符集编码入门的增补字符现在的Unicode码空间为U+0000到U+10FFFF，一共1114112个码位，其中只有1，112，064 个码位是合法的（我来替你做算术，有2048个码位不合法），但并不是说现在的Unicode就有这么多个字符了，实际上其中许多码位还是空闲的，到Unicode 4.0 标准为止，只有96，382个码位被安排了字符（但无论如何，仍比许多人认为的65536个字符要多得多了）其中U+0000 到U+FFFF的局部被称为根本多语言面（Basic Multilingual Plane，BMP）U+10000及以上的字符称为补充字符在Java中（Java1.5之后），补充字符使用两个char型变量来表示，这两个char型变量就组成了所谓的surrogate pair（在底层实际上是使用一个int进展表示的）第一个char型变量的范围称为“高代理局部”（high-surrogates range，从“uD800到“uDBFF，共1024个码位）， 其次个char型变量的范围称为low-surrogates range（从“uDC00到“uDFFF，共1024个码位），这样使用surrogate pair可以表示的字符数一共是1024的平方计1048576个，加上BMP的65536个码位，去掉2048个非法的码位，正好是1，112，064个码位。
关于Unicode的码空间实际上有一些稍不当心就会让人犯错的地方比方我们都知道从U+0000到U+FFFF的局部被称为根本多语言面（Basic Multilingual Plane，BMP），这个范围内的字符在使用UTF-16编码时，只需要一个char型变量就可以保存认真看看这个范围，应当有65536这么大，因此你会说单字节的UTF-16编码能够表示65536个字符，你也会说Unicode的根本多语言面包含65536个字符，但是再想想刚刚说过的surrogate pair，一个UTF-16表示的增补字符（再一次的，需要两个char型变量才能表示的字符）怎样才能被正确的识别为增补字符，而不是两个一般的字符呢？答案你也知道，就是通过看它的第一个char是不是在高代理范围内，其次个char是不是在低代理范围内来打算，这也意味着，高代理和低代理所占的共2048个码位（从0xD800到0xDFFF）是不能安排给其他字符的 但这是对UTF-16这种编码方法而言，而对Unicode这样的字符集呢？在Unicode的编号中，U+D800到U+DFFF是否有字符安排？答案是也没有！这是典型的字符集为便利编码方法而做的安排（你问他们这么做的目的？固然是盼望根本多语言面中的字符和一个char型的UTF-16编码的字符能够一一对应，少些麻烦，从中我们也能看出UTF-16与Unicode间很深的渊源与结合）。
也就是说，无论Unicode还是UTF-16编码后的字符，在0x0000至0xFFFF这个范围内，只有63488个字符这就好比最初的CPU被牵强拿来做多媒体应用，用得多了，CPU就不得不修正自己从硬件上对多媒体应用供应支持了 尽管不情愿，但说到这里总还得扯扯相关的概念：代码点和代码单元 代码点（Code Point）就是指Unicode中为字符安排的编号，一个字符只占一个代码点，例如我们说到字符“汉”，它的代码点是U+6C49.代码单元（Code Unit）则是针对编码方法而言，它指的是编码方法中对一个字符编码以后所占的最小存储单元例如UTF-8中，代码单元是一个字节，由于一个字符可以被编码为1个，2个或者3个4个字节；在UTF-16中，代码单元变成了两个字节（就是一个char），由于一个字符可以被编码为1个或2个char（你找不到比一个char还小的UTF-16编码的字符，嘿嘿）说得再罗嗦一点，一个字符，仅仅对应一个代码点，但却可能有多个代码单元（即可能被编码为2个char） 以上概念绝非学术化的绕口令，这意味着当你想以一种统一的方式指定自己使用什么字符的时候，使用代码点（即你告知你的程序，你要用Unicode中的第几个字符）总是比使用代码单元更好（由于这样做的话你还得区分状况，有时候供应一个16进制数字，有时候要供应两个）。
例如我们有一个增补字符？？？（哈哈，你看到了三个问号对吧？由于我的系统显示不出这个字符），它在Unicode中的编号是U+2F81A，当在程序中需要使用这个字符的时候，就可以这样来写： String s=String.valueOf(Character.toChars(0x2F81A)); char[]chars=s.toCharArray(); for(char c:chars){ System.out.format(“%x“,(short)c); } 后面的for循环把这个字符的UTF-16编码打印了出来，结果是d87edc1a留意到了吗？这个字符变成了两个char型变量，其中0xd87e就是高代理局部的值，0xdc1a就是低代理的值。
