UTF是UCS转换格式的缩写。UCS是通用字符集的缩写。通用字符集与Unicode标准同步。存在三种常见的UTF编码类型，即UTF-8，UTF-16和UTF-32。
UTF-8将Unicode字符编码为8位值的序列，称为代码单元。在UTF-8中，编码单位为8位长。同样，UTF-16和UTF-32各自使用16位和32位来编码Unicode字符。
当前版本的Unicode标准中包含超过143千个字符（在撰写本文时，v13.0是标准）。Unicode字符的代码点的有效范围是0到10FFFF（以十六进制表示）。在此代码点范围之外，从D800到DFFF的范围内的值保留用于创建代理对，并且未分配给任何抽象字符。D800–DBFF（Hex）范围适用于高代理，而DC00–DFFF（Hex）范围适用于低代理。该代理用于使用UTF-16编码对补充字符进行编码，这将在本文后面进行讨论。让我们看看如何完成UTF-8编码。
在UTF-8编码中，根据要编码的字符的值，将单个Unicode字符编码为多个八位字节。下表显示了用于对不同代码点范围内的字符进行编码的字节数或（代码单位）：
对于7位值（0–7F），将对代码点进行编码并存储在具有代码点值的单个字节中，即，将单个0比特的字节与7位代码点值存储在一起。要编码的7位编码如下所示：
第一个字节= 0xxxxxxx，其中xxxxxxx是要编码的7位。
对于11位值（80–7FF），代码点被编码为2个字节，其中第一个字节的最高3位设置为110，其后是代码点值的最高5位，第二个字节将初始的2位设置为10，然后是11位代码点值的最低有效6位。第一个字节的最高有效3位中的110表示它是2字节编码的第一个字节，第二个字节的最高有效2位中的10表示它是一个连续字节。现在，将要编码的11位编码如下：
第一个字节= 110mmmmm，其中mmmmm是要编码的11位中最高的5位（10-6位），
第二个字节= 10nnnnnn，其中nnnnnn是要编码的其余6位（位5-0）。
对于16位值（800–FFFF），代码点被编码为3个字节，其中第一个字节的最高4位被设置为1110，然后是代码点值的最高4位。第二个字节的初始2位设置为10，后跟16位代码点值的后6位，第三个字节的初始2位设置为10，后跟最低有效位6。 16位代码点值。第一个字节的最高4位中的1110表示它是3字节编码的第一个字节，接下来的两个字节将初始2位设置为10，以指示这是连续字节。现在，要编码的16位编码如下：
第一个字节= 1110wwww，其中wwww是要编码的16位中最高的4位（15-12位），
第二个字节= 10xxxxxx，其中xxxxxx是接下来要编码的6位（11-6位），
第三个字节= 10yyyyyy，其中yyyyyy是要编码的其余6位（位5-0）。
对于21位值（10000–10FFFF），代码点被编码为4个字节，其中第一个字节的最高5位设置为11110，然后是代码点值的最高3位，第二个字节具有最初的2位设置为10，后跟21位代码点值的下一个6位，第三个字节的初始2位设置为10，后跟21位代码点值的下一个6位值，第四个字节为10，后跟21位代码点值的最低有效6位。第一个字节的最高5位中的11110表示它是4字节编码的第一个字节，接下来的三个字节将初始2位设置为10，以指示这些是连续字节。要编码的21位未按以下方式编码：
第一个字节= 11110www，其中www是要编码的21位中最高的3位（20-18位），
第二个字节= 10xxxxxx，其中xxxxxx是接下来要编码的6位（17-12位），
第3个字节= 10yyyyyy，其中yyyyyy是接下来要编码的6位（11-6位），
第4个字节= 10zzzzzz，其中zzzzzz是要编码的其余6位（位5-0）。
这显示了如何使用标准UTF-8编码对Unicode字符进行编码。
标准UTF-8编码有一个变体，称为修改的UTF-8。Java中的writeUTF和readUTF方法在Java中使用此变体，该方法出现在DataOutputStream，DataInputStream和RandomAccessFile类中。根据对零进行编码时的变化，使用11位编码将其编码为2个字节，这将产生2个字节11000000 10000000（C0 80 Hex）。这样做是为了确保所有位= 0在此编码中都不是有效字节。关于第四范围内的值的另一变化。在对补充字符进行编码时，任何补充字符都可以作为2个字符值使用（高替代然后低替代）。这导致这些字符每个被编码为6个字节（高代理3个字节，低代理3个字节）。
现在让我们看一下UTF-16编码。
对于UTF-16编码，根据代码点的值，Unicode字符将被编码为一个16位代码单元或两个16位代码单元。我们知道Unicode字符的代码点范围是从0到10FFFF（十六进制）。从0到FFFF（十六进制）范围内的字符被编码到单个16位代码单元中，并按原样保留字符的值。从0到FFFF（十六进制）范围内的字符是BMP（基本多语言平面）中的字符。范围从10000（十六进制）到10FFFF（十六进制）的补充字符被编码为两个16位值，在下面说明。
要对范围在（10000-10FFFF）范围内的任何代码点进行编码，第一步是从代码点的值中减去100000（十六进制）。现在，结果值的范围为0到FFFFF（十六进制），它是20位数字。现在，将这20位编码为两个16位值，如下所示。
第一个16位代码单元的初始6位将设置为110110，然后通过从初始代码点值中减去10000（Hex）得出20位值中的最高有效10位，以及第二个16位代码单元的初始6位设置为110111，然后通过从初始代码点值中减去10000（Hex）得出20位值的最低有效10位。因此，20位的编码如下所示：
第一个16位代码单元= 110110xxxxxxxxxx，其中xxxxxxxxxx是要编码的20位中最高的10位（19-10位），
第二个16位= 110111yyyyyyyyyy，其中yyyyyyyyyy是要编码的20位中的其余10位（9-0位）。
因此，第一个代码单位的范围是1101100000000000到1101101111111111111（D800–DBFF），这是高代理范围，而第二个代码单位的范围是1101110000000000到1101111111111111（DC00–DFFF），即低代理的范围。
这显示了如何使用UTF-16编码对Unicode字符进行编码。
原文链接：http://codingdict.com
