在Unicode中，复合字符和代理项对之间的区别是什么？
对我而言，他们听起来像是类似的东西 - 代表一个角色的两个角色。这两个概念的区别是什么？
答案 0 :(得分：17)
代理对是Unicode中的一个奇怪的疣。
Unicode本身只不过是数字含义的抽象赋值。这就是编码的含义。目前，大写字母A，希腊 - 交替 - 终端 - 西格玛，克林贡 - 关闭 - 支架-2等数字可达到约2 21 ，但并非所有数据都在使用中。在Unicode的上下文中，每个数字都被称为代码点。
但是，Unicode套件作为一个整体不仅包含此编码。它还包含序列化代码点的技术。这基本上只是序列化无符号整数的练习。指定了三个子技术：UTF-32，UTF-8和UTF-16。
UTF-32简单地将每个代码点表示为32位无符号整数。这很简单。存在两种变体，分别用于大端和小端。每个32位序列化整数称为此格式的代码单元，这是一种固定宽度格式（每个代码单元一个代码点）。
UTF-8是一种聪明的多字节格式，其中代码点占用1到6个8位字节。这种格式非常便携，因为它没有订购问题，因为它非常紧凑，适用于英语，近英语和计算机代码。 UTF-8的代码单位是一个字节，这是一种可变宽度格式（每个代码点1-6个代码单元）。
最后，有UTF-16：最初，人们认为Unicode只能使用2个 16 数字，因此最初认为这是固定宽度，具有16位代码单元。然而，它最终变得清晰，我们需要更大的数字。因此，UTF-16现在也是一种可变宽度格式，但实现这种方式的方法是某些16位代码单元充当指示器，它们是两个单元对的一部分，代理对。但是，为了简化检测这些对的方式，而不是像UTF-8那样使用一些外部包络格式，代理人使用的实际16位值被故意泄漏回Unicode编码并且不在编码范围内。 - 也就是说，代理值0xD800到0xDFFF是不有效的Unicode代码点。
因此，总而言之，代理是强制Unicode的序列化格式回到编码中的结果，并且扭曲了编码的设计以适应序列化格式。这可能是一次不幸的历史性事故，回想起来有些毫无意义和难看，但这就是我们拥有的和我们需要的东西。
另一方面，复合字符是更高级别的东西：它们是由多个Unicode代码点组成的可视单元（“字形”）。有时人们将代码点本身称为“字符”，但这有点误导，因为字符应该是字形，并且它们可以由几个组件组成（例如基本字母加变音符号和修饰符）。
答案 1 :(得分：4)
复合字符的示例是Unicode U + 0039，É。它应该与分解的对U + 0045 E和U + 0301（组合的急性重音字符）相同地显示。这与用于实际存储字符的任何字节编码无关;它只是使用Unicode表示相同图形字符的两种不同方式。
代理对特定于UTF-16，它使用两个16位值来表示大于U + FFFF的单个Unicode代码点（显然不能适合单个16位值）。例如（来自Wikipedia article），代码点U + 1D11E被序列化为两个16位值0xD834和0xDD1E。 （用于表示它们的实际字节序列取决于您是使用UTF-16的big endian还是little endian版本。）