Surrogate Pair笔记

引言

Surrogate Pair是UTF-16中用于扩展字符而使用的编码方式，是一种采用四个字节(两个UTF-16编码)来表示一个字符。

• 中文名

  代理对

• 外文名

  surrogate pair

概述

在UTF-16中，在范围U+0000到U+FFFF间的码点使用一个单一的16位编码单元表示。但是，随着国际字符的不断增加，16位编码空间无法满足编码的要求。 　　UNICODE标准组织UTF-16优化了基本多语言平面(BMP, Basic Multilingual Plane)中字符的表示，即位于U+0000到U+FFFF范围内的字符。该范围包含了世界上所使用的书写系统中的绝大多数字符，每个字符只需要一 个16位的编码单元。对于基本多语言平面，UTF-16可作为固定宽度的编码格式来有效使用。 　　但对于增补字符，UTF-16需要两个16位的编码单元，意味着正式的UTF-16是一个变宽的编码格式。就在范围U+10000到U+10FFFF间的编码则使用一对16位编码单元表示，称作代理对(surrogate pair)。

UTF-16是早期Unicode遗留下的历史产物，原本被设计成具有固定宽度的16位编码格式。为支持超过U+FFFF的增补字符，设立了代理机制。

编码规则

在BMP内的字符，仍然按照UTF-16的编码规则，使用两个字符来表示。 [1] （注：BMP内的字符编码，不包含从U+D800到U+DFFF的预留码位。这些预留码位就恰好用于扩展字符编码）

增补字符的编码值已经超过了BMP的编码范围，所以，需要使用一对UTF-16字符来表示一个字符。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。

• 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。

这两个字符就称为surrogate pair（代理对）。第一个代理字符为16位编码，范围为U+D800到U+DFFF，第二个代理字符也是一个16位编码，范围为U+DC00 to U+DFFF。