UTF-16编码如何使用代理码点？

Question

根据统一码规范

D91 UTF-16 编码形式：在 U 0000..U D7FF 和 U E000 范围内分配每个 Unicode 标量值的 Unicode 编码形式。U FFFF 到与 Unicode 标量值具有相同数值的单个无符号 16 位代码单元，并将 U 10000..U 10FFFF 范围内的每个 Unicode 标量值分配给代理项对。

术语“标量值”是指 Unicode 码位，即必须通过不同的编码形式（UTF-16 等）编码成特定字节序列的抽象概念的范围。因此，似乎这个摘录要点是考虑到并非所有码位都可以容纳到一个UTF-16代码单元（两个字节）中，有些代码点应该被编码成一对代码单元 - 4个字节（它被称为“代理项对”）。

但是，术语“标量值”的定义如下：

D76 Unicode标量值:除高代理项和低代理项码位之外的任何Unicode码位。

等。。。Unicode 是否有代理代码点？当 UTF-16 可以使用 4 个字节来表示标量点时，它的原因是什么？任何人都可以解释一下基本原理以及UTF-16如何使用这个代码点吗？

Answer 1

只是为了最终澄清。

• UTF-16 使用 16 位（2 字节）代码单元。这意味着这种编码格式通常将代码点（=抽象的想法应该以某种方式在计算机内存中表示）编码为16位（因此解释器据称一次读取数据为两个字节）。
• UTF-16做得最好非常简单：U 000E码位将编码为000E，U 000F编码为000F，依此类推。
• 问题是16位只能提出不足以容纳所有Unicode码位的范围（0000..FFFF只允许65 536个可能的值）。我们可能会使用两个16位字（4字节）作为超出此范围的码位（实际上，我的误解是为什么UTF-16不这样做）。但是，这种方法会导致无法解码某些值。例如，如果我们将U 10000码位编码为0001 0000（十六进制表示法），解释器究竟应该如何解码这样的表示：作为两个子码位U 0001和U 0000或作为单个U 10000？
• 统一码规范倾向于更好的方法。如果需要对范围 U 10000..U 10FFF（1 048 576 码位）进行编码，那么我们应该将 1 024 1 024 = 2 048 值与可以用 16 位编码的值区分开来（规范选择了 D800.） 。它的DFFF范围）。当一个穿插者打D800时。计算机内存中的DBFF（高代理区域）值，它知道它不是隐含的“完全成熟的”代码点（不是规范中的标量值），它应该读取另外16位才能从DC00中获取值。DFFF 范围（低代理项区域），并最终得出结论，U 10000..U 10FFF 代码点中的哪一个用这 4 个字节（使用此代理项对）进行编码。注意，这样的方案可以编码1 024 * 1 024 = 1

Answer 2

是的，Unicode 为代理代码点保留范围：

< li >高替代区域U D800到U DBFF < li >低替代区域U DC00到U DFFF

Unicode保留这些范围，因为这些16位值在代理对中使用，并且不能为它们分配其他符号。代理对是两个16位值，它们对U FFFF上方的代码点进行编码，这些代码点不适合单个16位值。