如果'ℤ'在BMP中，为什么不用2字节编码？

Question

我的问题来自this answer，其中说：

  

由于'ℤ'（0x2124）位于基本多语言平面中，因此它由单个代码单元表示。

如果这是正确的，那么为什么"ℤ".getBytes(StandardCharsets.UTF_8).length == 3和"ℤ".getBytes(StandardCharsets.UTF_16).length == 4？

Answer 1

似乎你混淆了两件事：字符集（Unicode）和它们的编码（UTF-8或UTF-16）。

0x2124只是Unicode表中的'序列号'。 Unicode只不过是映射到某些字符的一堆“序列号”。这样的序列号称为代码点，它通常写成十六进制数字。

如何对某个数字进行编码，可能会占用比原始代码点更多的字节。

给定字符的UTF-8编码的简短计算：
要知道哪些字节属于同一个字符，UTF-8使用一个系统，其中第一个字节以1位后跟{0位开始一定量（让我们称之为 N ）。 1}}位 N 是角色占用的字节数。其余字节（ N - 1 ）以位10开头。

Hex 0x2124 =二进制100001 00100100

根据上述规则，这将转换为以下UTF-8编码：

11100010 10000100 10100100    <-- Our UTF-8 encoded result
^   ^ ^  ^ ^      ^ ^
AaaaBbDd CcDddddd CcDddddd    <-- Some notes, explained below

• A是一组后跟零，表示属于该字符的字节数（三个1 s =三个字节）。
• B是填充，因为否则总位数不能被8整除。
• C是连接位（每个后续字节以10开头）。
• D是我们代码点的实际位。

实际上，角色ℤ占用了三个字节。

Answer 2

并非所有BMP中的字符都使用UTF-8中的两个字节进行编码。 U+4016中的字符使用3个字节进行编码，U+38E2E使用4个字节进行编码。

完整的表格可以在维基百科上的UTF-8文章中找到：

https://en.wikipedia.org/wiki/UTF-8