_Unicode简述

Unicode in a Nutshell

提到Unicode，人们对于它是什么，它对软件开发意味着什么，有着种种看法。我们首先要做的，是消除这些先入为主的揣测，从一张白纸开始，从基础原理出发来讨论Unicode。说到基础，那么找不到比图4-1更为基础的了。

图4-1：字母“a”

这是什么? 这是一个小写拉丁字母“a.”。好吧，其实它是油墨在纸上形成的一种图案（或者说像素在屏幕上形成的图案，具体取决于介质），表示大家一致同意的一个字母形态。我们将称这个形状为一个字形。这只是许多字形中的一个，代表小写拉丁字母“a.”。图4-2也是一个字形。

图4-2：一个不同的字形

它由不同的曲线构成了不同的形状，但还是表示同一个字符。还好，到目前为止一切都还比较简单。每个字符有多种字形表示。在电脑层面，我们称这些字形集合为字体。当我们需要存储一个序列的这些字符时，我们通常只储存字符，而不是字形本身。另外还可以储存信息，记录使用哪种字体来渲染字符成为字形。但核心信息仍然是一个字符序列。那么，我们如何才能跨跃鸿沟，将小写拉丁字符“a”变成二进制序列01100001？这需要两套映射（它们经常在一起而被当成是一组）。首先是字符集，它告诉我们如何处理抽象字符，并使之成为数字。其次是编码，它告诉我们如何处理这些数字（或者叫码点），用比特和字节表示它们。因此，让我们重温一下，图4-3是什么？

图4-3：还是关于字形“a”的问题

它是代表小写拉丁字符“a”的字形。ASCII字符集告诉我们，小写拉丁字符“a.”的码点是0x61 （十进制是97）。ASCII编码告诉我们，我们就可以用单字节0x61来代表码点0x61。

Unicode的设计和ASCII码很兼容，因此所有的ASCII码点在Unicode中是相同的。也就是说，小写的拉丁字母“a”的Unicode也是码点0x61。在UTF-8编码中，将编码点0x61表示为单字节0x61，就和ASCII编码一样。在UTF-16编码中，码点0x61是作为两个字节由0x00到0x61的。我们也会简单地看一些不同的Unicode编码。

格式化惯例

在Unicode中，以U+AAAA的格式表示码点，AAAA是一个4位十六进制数。对于超出U+FFFF范围的码点，表示该码点以所需要的最小数目的数字被使用。例如，kharoshthi中的“A”的码点被表示为U+10A00。在整个章节中，我们都将会用这个格式表示码点，并且用0xAA格式来编码字节。

那么，为什么我们要使用Unicode，就因为它看起来和ASCII差不多吗？可以用一件ASCII做不到的事为例，就可以很容易地回答这个问题，请看图4-4中的字符。