JavaScript的内部字符编码是UCS.docxVIP

JavaScript的内部字符编码是UCS-2还是UTF-16——动力节点java对于 JavaScript 使用的是 UCS-2 还是 UTF-16 这个问题，java老师也进行了小小的研究却没有发现一个权威的回答，以下仅供参考。一、著名的 BMP(Basic Multilingual Plane)Unicode 标识符通过一个明确的名字和一个整数来作为它的码位(code point).比如，“?” 字符的码位可以用“版权标志”和U+00A9(0xA9，也可以写作十进制 169)来表示。Unicode 字符分为 17 组平面，每个平面拥有 2^16 (65,536)个码位.有一些码位没有分配字符，也有一些码位被保留，成为私有的，也有一些码位是永远被保留的，作为无字符的标志。每一个码位都可以用 16 进制 xy0000 到 xyFFFF 来表示，这里的 xy 是表示一个 16 进制的值，从 00 到 10。这第一个位置(当 xy 是 00 的时候)被称为 BMP (基本多文种平面, Basic Multilingual Plane)。它包含了最常用的码位从 U+0000 到 U+FFFF。这里需要补充一点额外的平面知识，以及术语的表格。引用自：wikipedia其余 16号平面(U+100000 到 U+10FFFF)称为补充的平面。这里我将不讨论它;只需要记住两个概念：BMP 字符和非 BMP 字符，后者也被称为补充字符。二、UCS-2 和 UTF-16 之间的不同UCS-2 和 UTF-16 都是 Unicode 的字符编码方式。UCS-2(2个字节的通用字符集)是一种固定长度的编码格式，只需要使用编码为 16 字节编码单元来表示码位。这样的表示结果将和 UTF-16 在 0 到 0xFFFF (BMP)范围内大多数的结果一样。UTF-16(16 位 Unicode 转换格式)是对 UCS-2 的一个扩展，它允许表示比 BMP 范围内更多的字符。它是一种可变长度格式，它的每个码位能够使用 1 位或者 2 位 16字节编码单元来表示。这种方式能够编码的码位在 0 到 0x10FFFF 之间。比如，在 UCS-2 和 UTF-16 中，对于 BMP 字符 U+00A9 版权标志(?)都能被编码为：0x00A9。这里补充一下 UCS-2、UCS-4、BMPCPU 处理多字节数的方式分为：“大尾”(big endian)和“小尾”(little endian)，简单的理解就是一个 Unicode 编码，比如6C49，写到文件里面 6C 49 或者 49 6C，两种方式，前者就叫“大尾”，后者就叫“小尾”。UCS 可以分为两种格式：UCS-2 和 UCS-4。UCS-2 使用两个字节编码，UCS-4 使用4个字节(实际只有 31 位，最高位必须是 0)编码。转换关系：UCS-4 中高两个字节为 0 的码位称为 BMP;UCS-4 的 BMP 去掉前面两个零字节就得到 UCS-2;UCS-2 加上两个零字节就得到 UCS-4 中的 BMP。三、代理对(Surrogate pairs)对于 BMP 之外的字符，比如 U+1D306 四条线居中(其实不好翻译：tetragram for centre，?)，只能使用 UTF-16 中两个 16 字节来编码：0xD834 0XDF06。这种就被称为代理对。值得注意的是一个代理对只代表一个单字符。补充一下代理对的概念实际上就是指上面的一个 UTF-16 编码，使用 2 个 16 字节来编码。那是因为一个 UTF-16 编码不够，然后就应该使用 2 个 UTF-16 编码来表示更多的字符。然后这样就会出现：之前 2 个字节的空间表示一个字符，就会变成 4 个字节的空间。所以就规定只有一定范围内使用 2 个 UTF-16 编码来表示一个字符，这样的方式就叫代理对，其余的依然使用 2 个字节来表示。代理对中的第一个字符单元总是在 0xD800 到 0xDBFF 之间，称为高位代理或者顶部代理(high surrogate or lead surrogate，暂时这样，查到专业术语再翻译)。第二个字符单元总是处于 0xDC00 到 0xDFFF 之间，称为低位代理或者尾部代理(low surrogate or trail surrogate)。UCS-2 是缺乏对代理对的支持的，所以要表示之前的字符需要使用 2 个分隔的字符。四、码位(code points)和代理对(surrogate pairs)之间的转换Section 3.7 of The Unicode Standard 3.0(pdf)?中定义了一个转换算法。假设：一个码位 C 大于 0xFFFF 的编码使用代理对 H, L 来表示的公式为