时间戳

首页 > 解决方案 > 在讨论 Unicode 编码时，符号“U+”是什么意思？

unicode - 在讨论 Unicode 编码时，符号“U+”是什么意思？

问题描述

我意识到这是非常基本的，因为我正在阅读维基百科中的 Unicode 以及它指向的任何地方。但是这个“U+0000”语义没有完全解释。在我看来，“U”总是等于 0。

为什么是符号的“U+”部分？这到底是什么意思？（它似乎是一些基本值，但我无法理解它何时或为什么非零。）

另外，如果我从其他来源收到一串文本，我怎么知道该字符串是 UTF-8、UTF-16 还是 UTF-32 编码的？有什么方法可以根据上下文自动确定吗？

标签： unicodeunicode-string

解决方案

  1. 来自维基百科，文章Unicode，架构和术语部分：

    Unicode 定义了 0 到 10FFFF（十六进制）范围内的 1,114,112 个代码点的代码空间。通常通过写“U+”后跟其十六进制数字来引用 Unicode 代码点。对于基本多语言平面 (BMP) 中的代码点，使用四位数字（例如，字符 LATIN CAPITAL LETTER X 的 U+0058）；对于 BMP 之外的代码点，使用五位或六位数字。

    引入此约定是为了让读者了解代码点专门是Unicode代码点。例如，字母ă（LATIN SMALL LETTER A WITH BREVE）为 U+0103；在代码页 852 中它的代码是 0xC7，在代码页 1250 中它的代码是 0xE3，但是当我写 U+0103 时，每个人都明白我的意思是 Unicode 代码点，他们可以查找它。

  2. 对于用拉丁字母书写的语言，UTF-16 和 UTF-32 字符串很可能包含大量值为 0 的字节，这些字节不应出现在 UTF-8 编码字符串中。通过查看哪些字节为零，您还可以推断 UTF-16 和 UTF-32 字符串的字节顺序，即使没有Byte Order Mark也是如此。

    例如，如果你得到字节

     0xC3 0x89 0x70 0xC3 0xA9 0x65

    这很可能Épée是 UTF-8 编码。在 little-endian UTF-16 中，这将是

     0x00 0xC9 0x00 0x70 0x00 0xE9 0x00 0x65

    （注意每个偶数字节如何为零。）

推荐阅读