上個月，我做了一次分享，詳細介紹了Unicode字符集，以及JavaScript語言對它的支援。下面就是這次分享的講稿。
## 一、Unicode是什麼？
Unicode源於一個很簡單的想法：將全世界所有的字元包含在一個集合裡，計算機只要支援這一個字符集，就能顯示所有的字元，再也不會有亂碼了。
**它從0開始，為每個符號指定一個編號，這叫做"碼點"（code point）。**比如，碼點0的符號就是null（表示所有二進位制位都是0）。
U+0000 = null
上式中，U+表示緊跟在後面的十六進位制數是Unicode的碼點。
目前，Unicode的最新版本是7.0版，一共收入了109449個符號，其中的中日韓文字為74500個。可以近似認為，全世界現有的符號當中，三分之二以上來自東亞文字。比如，中文"好"的碼點是十六進位制的597D。
U+597D = 好
這麼多符號，Unicode不是一次性定義的，而是分割槽定義。每個區可以存放65536個（216）字元，稱為一個平面（plane）。目前，一共有17個（25）平面，也就是說，整個Unicode字符集的大小現在是221。
最前面的65536個字元位，稱為基本平面（縮寫BMP），它的碼點範圍是從0一直到216-1，寫成16進位制就是從U+0000到U+FFFF。所有最常見的字元都放在這個平面，這是Unicode最先定義和公佈的一個平面。
剩下的字元都放在輔助平面（縮寫SMP），碼點範圍從U+010000一直到U+10FFFF。
## 二、UTF-32與UTF-8
Unicode只規定了每個字元的碼點，到底用什麼樣的位元組序表示這個碼點，就涉及到編碼方法。
**最直觀的編碼方法是，每個碼點使用四個位元組表示，位元組內容一一對應碼點。這種編碼方法就叫做UTF-32。**比如，碼點0就用四個位元組的0表示，碼點597D就在前面加三個位元組的0。
U+0000 = 0x0000 0000 0000 0000U+597D = 0x0000 0000 0000 597D
UTF-32的優點在於，轉換規則簡單直觀，查詢效率高。缺點在於浪費空間，同樣內容的英語文字，它會比ASCII編碼大四倍。這個缺點很致命，導致實際上沒有人使用這種編碼方法，HTML 5標準就明文規定，網頁不得編碼成UTF-32。
人們真正需要的是一種節省空間的編碼方法，這導致了UTF-8的誕生。**UTF-8是一種變長的編碼方法，字元長度從1個位元組到4個位元組不等。**越是常用的字元，位元組越短，最前面的128個字元，只使用1個位元組表示，與ASCII碼完全相同。
| 編號範圍 | 位元組 |
| 0x0000 - 0x007F | 1 |
| 0x0080 - 0x07FF | 2 |
| 0x0800 - 0xFFFF | 3 |
| 0x010000 - 0x10FFFF | 4 |
由於UTF-8這種節省空間的特性，導致它成為網際網路上最常見的網頁編碼。不過，它跟今天的主題關係不大，我就不深入了，具體的轉碼方法，可以參考我多年前寫的[《字元編碼筆記》](http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html)。
## 三、UTF-16簡介
UTF-16編碼介於UTF-32與UTF-8之間，同時結合了定長和變長兩種編碼方法的特點。
它的編碼規則很簡單：基本平面的字元佔用2個位元組，輔助平面的字元佔用4個位元組。**也就是說，UTF-16的編碼長度要麼是2個位元組（U+0000到U+FFFF），要麼是4個位元組（U+010000到U+10FFFF）。**
於是就有一個問題，當我們遇到兩個位元組，怎麼看出它本身是一個字元，還是需要跟其他兩個位元組放在一起解讀？
說來很巧妙，我也不知道是不是故意的設計，在基本平面內，從U+D800到U+DFFF是一個空段，即這些碼點不對應任何字元。因此，這個空段可以用來對映輔助平面的字元。
具體來說，輔助平面的字元位共有220個，也就是說，對應這些字元至少需要20個二進位制位。UTF-16將這20位拆成兩半，前10位對映在U+D800到U+DBFF（空間大小210），稱為高位（H），後10位對映在U+DC00到U+DFFF（空間大小210），稱為低位（L）。這意味著，一個輔助平面的字元，被拆成兩個基本平面的字元表示。
**所以，當我們遇到兩個位元組，發現它的碼點在U+D800到U+DBFF之間，就可以斷定，緊跟在後面的兩個位元組的碼點，應該在U+DC00到U+DFFF之間，這四個位元組必須放在一起解讀。**
## 四、UTF-16的轉碼公式
Unicode碼點轉成UTF-16的時候，首先區分這是基本平面字元，還是輔助平面字元。如果是前者，直接將碼點轉為對應的十六進位制形式，長度為兩位元組。
U+597D = 0x597D
如果是輔助平面字元，Unicode 3.0版給出了轉碼公式。
H = Math.floor((c-0x10000) / 0x400)+0xD800L = (c - 0x10000) % 0x400 + 0xDC00
以字元