【UCS】   Universal Character Set （通用字符集）

【UCS】   Unicode Character Set  （Unicode字符集）

【UTF-8】Unicode/UCS Transformation Format-8

              说明，由于UTF也适用于编码通用字符集UCS，故亦可称为『UCS transformation formats (UTF)』

        Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。它是基于通用字符集（Universal Character Set）的标准来发展的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

        Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

        在Unicode中：汉字“字”对应的数字是23383。在Unicode中，我们有很多方式将数字23383表示成程序中的数据，包括：UTF-8、UTF-16、UTF-32。

       “汉字”对应的数字是0x6c49和0x5b57，而编码的程序数据是：
                        BYTE data_utf8[] = {0xE6, 0xB1, 0x89, 0xE5, 0xAD, 0x97}; // UTF-8 编码  ，6个字节
                        WORD data_utf16[] = {0x6c49, 0x5b57};                               // UTF-16编码 ，4个字节
                        DWORD data_utf32[] = {0x6c49, 0x5b57};                            // UTF-32编码 ，8个字节

       “汉字”的UTF-16编码需要两个WORD，大小是4个字节。“汉字”的UTF-32编码需要两个DWORD，大小是8个字节。根据字节序的不同，UTF-16可以被实现为UTF-16LE或UTF-16BE，UTF-32可以被实现为UTF-32LE或UTF-32BE。

下面介绍UTF-8、UTF-16、UTF-32、字节序和BOM：

  【UTF-8】
  UTF-8以字节为单位对Unicode进行编码。从Unicode到UTF-8的编码方式如下：
  Unicode编码(16进制) ║ UTF-8 字节流(二进制) 
  000000 - 00007F ║ 0xxxxxxx 
  000080 - 0007FF ║ 110xxxxx 10xxxxxx 
  000800 - 00FFFF ║ 1110xxxx 10xxxxxx 10xxxxxx 
  010000 - 10FFFF ║ 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
  UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。UTF-8编码的最大长度是4个字节。从上表可以看出，4字节模板有21个x，即可以容纳21位二进制数字。Unicode的最大码位0x10FFFF也只有21位。
       例1：“汉”字的Unicode编码是0x6C49。0x6C49在0x0800-0xFFFF之间，使用用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将0x6C49写成二进制是：0110 1100 0100 1001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

【UTF-16】

  UTF-16编码以16位无符号整数为单位。我们把Unicode编码记作U。编码规则如下：
  如果U<0x10000，U的UTF-16编码就是U对应的16位无符号整数（为书写简便，下文将16位无符号整数记作WORD）。 
  如果U≥0x10000，我们先计算U‘=U-0x10000，然后将U‘写成二进制形式：yyyy yyyy yyxx xxxx xxxx，U的UTF-16编码（二进制）就是：110110yyyyyyyyyy 110111xxxxxxxxxx。 
        为什么U‘可以被写成20个二进制位？Unicode的最大码位是0x10FFFF，减去0x10000后，U‘的最大值是0xFFFFF，所以肯定可以用20个二进制位表示。例如：Unicode编码0x20C30，减去0x10000后，得到0x10C30，写成二进制是：0001 0000 1100 0011 0000。用前10位依次替代模板中的y，用后10位依次替代模板中的x，就得到：1101100001000011 1101110000110000，即0xD843 0xDC30。
       按照上述规则，Unicode编码0x10000-0x10FFFF的UTF-16编码有两个WORD，第一个WORD的高6位是110110，第二个WORD的高6位是110111。可见，第一个WORD的取值范围（二进制）是11011000 00000000到11011011 11111111，即0xD800-0xDBFF。第二个WORD的取值范围（二进制）是11011100 00000000到11011111 11111111，即0xDC00-0xDFFF。
       为了将一个WORD的UTF-16编码与两个WORD的UTF-16编码区分开来，Unicode编码的设计者将0xD800-0xDFFF保留下来，并称为代理区（Surrogate）：
  D800－DB7F  ║ High Surrogates                   ║ 高位替代 
  DB80－DBFF ║ High Private Use Surrogates ║ 高位专用替代 
  DC00－DFFF ║ Low Surrogates                    ║ 低位替代
        高位替代就是指这个范围的码位是两个WORD的UTF-16编码的第一个WORD。低位替代就是指这个范围的码位是两个WORD的UTF-16编码的第二个WORD。那么，高位专用替代是什么意思？我们来解答这个问题，顺便看看怎么由UTF-16编码推导Unicode编码。 
        如果一个字符的UTF-16编码的第一个WORD在0xDB80到0xDBFF之间，那么它的Unicode编码在什么范围内？我们知道第二个WORD的取值范围是0xDC00-0xDFFF，所以这个字符的UTF-16编码范围应该是0xDB80 0xDC00到0xDBFF 0xDFFF。我们将这个范围写成二进制：
  1101101110000000 11011100 00000000 - 1101101111111111 1101111111111111
  按照编码的相反步骤，取出高低WORD的后10位，并拼在一起，得到
  1110 0000 0000 0000 0000 - 1111 1111 1111 1111 1111
  即0xe0000-0xfffff，按照编码的相反步骤再加上0x10000，得到0xf0000-0x10ffff。这就是UTF-16编码的第一个WORD在0xdb80到0xdbff之间的Unicode编码范围，即平面15和平面16。因为Unicode标准将平面15和平面16都作为专用区，所以0xDB80到0xDBFF之间的保留码位被称作高位专用替代。

 【UTF-32】

  UTF-32编码以32位无符号整数为单位。Unicode的UTF-32编码就是其对应的32位无符号整数。

 【字节序】

  小端：低字节在前(低地址)，高字节在后(高地址)；大端：高字节在前，低字节在后（所见即所得）

  根据字节序的不同，UTF-16可以被实现为UTF-16LE或UTF-16BE，UTF-32可以被实现为UTF-32LE或UTF-32BE。例如：
  Unicode编码 ║ UTF-16LE     ║ UTF-16BE     ║ UTF32-LE    ║ UTF32-BE 
  0x006C49      ║ 49 6C             ║ 6C 49             ║ 49 6C 00 00 ║ 00 00 6C 49 
  0x020C30      ║ 43 D8 30 DC  ║ D8 43 DC 30 ║ 30 0C 02 00 ║ 00 02 0C 30 

【BOM】

        那么，怎么判断字节流的字节序呢？Unicode标准建议用BOM（Byte Order Mark）来区分字节序，即在传输字节流前，先传输被作为BOM的字符“零宽无中断空格”。这个字符的编码是FEFF，而反过来的FFFE（UTF-16）和FFFE0000（UTF-32）在Unicode中都是未定义的码位，不应该出现在实际传输中。下表是各种UTF编码的BOM：
            UTF编码   ║ Byte Order Mark 
            UTF-8        ║ EF BB BF 
            UTF-16LE ║ FF FE 
            UTF-16BE ║ FE FF 
            UTF-32LE ║ FF FE 00 00 
            UTF-32BE ║ 00 00 FE FF