关于Unicode的混淆以及表示字符所需的位数

Question

我很惊讶Unicode中有1,114,112个字符，但同时我们可以使用UTF-16（使用16位）来访问所有字符。我的意思是，他们不需要存储32位吗？

我听说它与代理对有关，但我不知道它们究竟是什么。

Answer 1

Unicode历史上是一个16位代码和字符集（在最初的版本中）。这也是当UCS-2被创建为编码时，通用字符集中的每个字符都是2字节单位。

很快就清楚了（也是由于项目的一些范围变化）16位，因此65536个字符太少无法使用，Unicode被扩展到21位，组织在17个 plane 其中第一个65536字符组成第0个基本多语言平面（BMP）。

同时，BMP中的2048个代码点被搁置为所谓的高和低代理。其中两个代表另一个平面中的角色。这启用了UTF-16，其中每个代码 unit 仍然是两个字节长，一个或两个代码单元（在后一种情况下通过组合高和低代理）将代表单个代码点。同样，有人宣称这些代理人可能不会出现孤立或错误的顺序。代理字符主要是奇怪的（它们构成Unicode中最大的非字符块），但在技术上是从16位到21位Unicode的最简单方法。

无论您听到或想到什么，Unicode都不是历史上最长时间的16位代码，目前没有任何东西需要任何16位代码。但是：

1. 早期采用Unicode的系统和环境最初使用的是UCS-2，因为这是一种支持新字符集中所有字符的简单方法。那些过渡到UTF-16。 Windows，Java和.NET（由于其Windows传统）就是这样的例子。
2. 现在大多数其他地方都使用UTF-8，这也是网络上的主要编码（据谷歌称）。 UTF-8不需要代理对，而是采用不同的方案，其中代码点由一个（ASCII），两个，三个或四个代码单元表示（取决于代码点）。
3. 还有UTF-32，与UCS-4相同，每个字符使用四个字节。这主要用于软件的一些内部过程，其中每个代码点需要具有相同的长度。它很少用于存储或交换。

Answer 2

unicode有不同的编码。 UTF-8和UTF-16都使用一个或多个8或16位blob来表示单个字符，具体取决于任何unicode代码点。

另一方面，

wchar_t或16位整数只能代表一些unicode代码点。

http://en.wikipedia.org/wiki/Comparison_of_Unicode_encodings

关于代理人对：

http://msdn.microsoft.com/en-us/library/8k5611at.aspx http://www.unicode.org/faq/utf_bom.html#utf16-4