Unicode：SurrogatePairsUTF-16中用于扩展字符

解释

Surrogate Pairs 主要是针对增补字符，此时一个16位的编码（2个Byte的UTF-16）已经无法表示，所以就扩展成需要两个16位的编码单元。也就是说，在范围U+10000到U+10FFFF间的编码则使用一对16位编码单元表示，称作代理对(surrogate pair)。

在BMP内的字符，仍然按照UTF-16的编码规则，使用两个字符来表示。 （注：BMP内的字符编码，不包含从U+D800到U+DFFF的预留码位。这些预留码位就恰好用于扩展字符编码）

增补字符的编码值已经超过了BMP的编码范围，需要使用一对UTF-16字符来表示一个字符。把Unicode编码记作U。编码规则如下：

• 如果U<0x10000，U的UTF-16编码就是U对应的16位无符号整数。

• 如果U≥0x10000，

  • 先计算U’=U-0x10000，

  • 然后将U’写成二进制形式：yyyy yyyy yyxx xxxx xxxx，（注意这里共计20位）

  • U的UTF-16编码（二进制）就是：110110yyyyyyyyyy 110111xxxxxxxxxx。

这两个字符就称为surrogate pair（代理对）。第一个代理字符为16位编码，范围为U+D800到U+DBFF，第二个代理字符也是一个16位编码，范围为U+DC00 to U+DFFF。

 

Wikipedia Examples

在wikipedia上有一个计算的例子，原则上和上面是一样的，表述略有不同：

把 U+10437 (?) 转换成 UTF-16：

• 0x10437- 0x100000 = 0x0437.
• high surrogate: 0x0437右移10位 (相当于除以0x400，也相当于扩展成20位之后，取左边的高10位), 然后加上 0xD800,得到：0x0001 + 0xD800 = 0xD801.
• low surrogate, 取低10位(相当于对0x400取余), 然后加上0xDC00, 得到：0x0037 + 0xDC00 = 0xDC37.

从 UTF-16 解码 U+10437 (?) ：

• 取high surrogate, 0xD801 - 0xD800（等价于：0xD801&0x3FF）, 结果再乘以 0x400, 得到：(0xD801-0xD800)×0x400=0x0001×0x400=0x0400
• 取low surrogate，0xDC37-0xDC00（等价于：0xDC37&0x3FF）, 得到：(0xDC37-0xDC00) = 0x0037.
• 把上述两个结果相加，0x0400+ 0x0037 =0x0437, 最后加上0x10000得到0x10437，这个就是最终的UTF-32 code point, 0x10437.

The following table summarizes this conversion, as well as others. The colors indicate how bits from the code point are distributed among the UTF-16 bytes. Additional bits added by the UTF-16 encoding process are shown in black.

Character		Binary code point	Binary UTF-16	UTF-16 hex code units	UTF-16BE hex bytes	UTF-16LE hex bytes
$	U+0024	0000 0000 0010 0100	0000 0000 0010 0100	0024	00 24	24 00
€	U+20AC	0010 0000 1010 1100	0010 0000 1010 1100	20AC	20 AC	AC 20
?	U+10437	0001 0000 0100 0011 0111	1101 1000 0000 0001 1101 1100 0011 0111	D801 DC37	D8 01 DC 37	01 D8 37 DC
?	U+24B62	0010 0100 1011 0110 0010	1101 1000 0101 0010 1101 1111 0110 0010	D852 DF62	D8 52 DF 62	52 D8 62 DF

 

应用举例：

python的源码（UnicodeObject.h）中有这么几个定义，

1。用来判断是否有UTF-16代理surrogate，

#define Py_UNICODE_IS_SURROGATE(ch)     (0xD800 <= (ch) && (ch) <= 0xDFFF)
#define Py_UNICODE_IS_HIGH_SURROGATE(ch)     (0xD800 <= (ch) && (ch) <= 0xDBFF)
#define Py_UNICODE_IS_LOW_SURROGATE(ch)      (0xDC00 <= (ch) && (ch) <= 0xDFFF)

2。从UTF16解码的过程如下，

#define Py_UNICODE_JOIN_SURROGATES(high, low)  \
    (((((Py_UCS4)(high) & 0x03FF) << 10) |      \
      ((Py_UCS4)(low) & 0x03FF)) + 0x10000)

注：Py_UCS4定义：typedef uint32_t Py_UCS4;

3。取得high surrogate和low surrogate的宏代码如下

/* high surrogate = top 10 bits added to D800 */
#define Py_UNICODE_HIGH_SURROGATE(ch) (0xD800 - (0x10000 >> 10) + ((ch) >> 10))
/* low surrogate = bottom 10 bits added to DC00 */
#define Py_UNICODE_LOW_SURROGATE(ch) (0xDC00 + ((ch) & 0x3FF))