# Unicode是什么？
Unicode源于一个很简单的想法：将全世界所有的字符包含在一个集合里，计算机只要支持这一个字符集，就能显示所有的字符，再也不会有乱码了
它从0开始，为每个符号指定一个编号，这叫做"码点"(code point)。比如码点0的符号就是null(表示所有二进制都是0)
U+0000 = null
上式中，U+表示紧跟在后面的十六进制树是Unicode的码点
目前Unicode的最新版本是7.0版，一共收入了109449个符号，其中的中日韩文字为74500个。可以近似认为，全世界现有的符号当中，三分之二以上来自东亚文字。比如：中文"好"的码点是十六进制的597D
"好".charCodeAt(0).toString(16) // 597D
U+597D = 好
这么多符号，Unicode不是一次性定义的，而是分区定义。每个区可以存放65526个（216）字符,称为一个平面(plane)。目前，一共有17个(25)平面(目前只定义了17个，其他都没用使用)，也就说，整个Unicode字符集的大小现在是221
最前面的65536个字符位，称为基本平面(缩写BMP)，它的码点范围是从0一直到216 - 1，写成16进制就是从U+0000到U+FFFF.所以最常见的字符都放在这个平面，这是Unicode最先定义和公布的一个平面
剩下的字符都放在辅助平面(缩写SMP)，码点范围从U+010000一直到U+10FFFF;
# UTF-32与UTF-8
Unicode只规定了每个字符的码点，到是用什么样的字节序表示这个码点，就涉及到编码方法。
最直观的编码方法是，每个码点使用四个字节表示，字节内容一一对应码点。这种编码方法就叫做UTF-32。比如，码点0就用四个字节的0表示，码点597D就在前面加两个字节0
U+0000 = 0x0000 0000
U+597D = 0x0000 597D
UTF-32的有点在于，转换规则简单直观，查找效率高。缺点在于浪费空间，同样的内容的英语文本，它会比ASII编码大四倍。这缺点很致命，导致实际上没有人使用这种编码，HTML5标准就明文规定，网页不得编码成UTF-32
人们真正需要的是一种节省空间的编码方法，这导致了UTF-8的诞生。UTF-8是一种变长的编码方法，字符长度从1个字节到4个字节不等。越是常用的字符，字节越短，最前面的128个字符，只使用1个字节表示，与ASCII码完全相同。
| 编码范围 | 字节 |
|---|---|
| 0x0000 - 0x007F | 1 |
| 0x0080 - 0x07FF | 2 |
| 0x0800 - 0xFFFF | 3 |
| 0x010000 - 0x10FFFF | 4 |
由于UTF-8这种节省空间的特性，导致它成为互联网上最常见的网页编码。不过，它跟今天的主题关系不大，我就不深入了，具体的转码方法，可以参考我多年前写的《字符编码笔记》 (opens new window)。
# UTF-16简介
UTF-16编码介于UTF-32与UTF-8之间，同时结合了定长和变长两种编码方法的特点。
它的编码规则很简单：基本平面的字符占用2个字节，辅助平面的字符占用4个字节。也就是说，UTF-16的编码长度要么是2个字节（U+0000到U+FFFF），要么是4个字节（U+010000到U+10FFFF）。
于是就有一个问题，当我们遇到两个个字节，怎么看出它本身是一个字符，还是需要跟其他两个字节放在一起解读？？
说来很巧妙，我也不知道是不是故意的设计，在基本平面内，从U+D800到U+DFFF是一个空段，即这些码点不对应任何字符。因此，这个空段可以用来映射辅助平面的字符。
具体来说，辅助平面的字符位共有220个，也就是说，对应这些字符至少需要20个为二进制位。UTF-16将这20位拆成两半，前10位映射在U+D800到U+DBFF（空间大小210），称为高位（H），后10位映射在U+DC00到U+DFFF（空间大小210），称为低位（L）。这意味着，一个辅助平面的字符，被拆成两个基本平面的字符表示。
所以,当我们遇到两个字节，发现它的码点在U+D800到U+DBFFF之间，就可以断定，紧跟在后面的两个字节的码点，应该在U+DCOO到U+DFFF之间，这四个字节必须放在一起解读
# UTF-16的转码公式
Unicode码点转成UTF-16的时候，首先要区分是基本平面字符，还是辅助平面字符。如果是前者，直接将码点转为对应的十六进制形式，长度为两字节。
U+597D = 0x597d
# JavaScript使用哪一种编码---UCS-2
# UCS-2编码
# JavaScript的诞生背景
# JavaScript字符函数的局限
《span style="color: red">由于JavaScript只能处理UCS-2编码，造成所有字符在这门语言中都是2个字节，如果是4个字节的字符，会当作两个双字节的字符处理。JavaScript的字符函数都受到这一点的影响，无法返回正确结果。
还是以字符亖为例，它的UTF-16编码是4个字节的oxD834 DF06,问题就来了，4个字节的编码不属于UCS-2，JavaScript不认识，只会把它看作单独的两个字符U+D834和U+DF06。前面说过，这两个码点是空的，所以JavaScript会认为是两个空字符组成的字符串！
上面代码表示，JavaScript认为字符的长度是2，取到的第一个字符是空字符，取到的第一个字符的码点是0xDB34。这些结果都不正确！
解决这个问题，必须对码点做一个判断，然后手动调整。下面是正确的遍历字符串的写法
while(++index < length) {
// ...
if (charCode >= 0xD800 && charCode <= 0xDBFF) {
output.push(character + string.charAt(++index));
} else {
output.push(character);
}
}
上面代码表示，遍历字符串的时候，必须对码点做一个判断，只要落在只要落在0xD800到0xDBFF的区间，就要连同后面2个字节一起读取。
类似的问题存在于所有的JavaScript字符操作函数。
String.prototype.replace();
String.prototype.substring();
String.prototype.slice();
//...
# ECMAScript 6
JavaScript的下一个版本ECMAScript 6（简称ES6），大幅增强了Unicode支持，基本上解决了这个问题。
1.正确识别字符
ES6可以自动识别4字节的码点。因此，遍历字符串就简单多了。
for(let s of string) { // ... }但是，为了保持兼容，length属性还是原来的行为方式。为了得到字符串的正确长度，可以用下面的方式
Array.from(string).length;2.码点表示法
JavaScript允许直接用码点表示Unicode字符，写法是"反斜杠+u+码点"。
'好' === '\u597D' // true但是，这种表示法对4字节的码点无效。ES6修正了这个问题，只要将码点放在大括号内，就能正确识别。
3.字符串处理函数
ES6新增了几个专门处理4字节码点的函数
String.fromCodePoint()； // 从Unicode码点返回对应字符 String.prototype.codePointAt(); // 从字符返回对应码点 String.prototype.at(); // 返回字符串给定位置的字符4.正则表达式
ES6提供了u修饰符，对正则表达式添加4字节码的支持
5.Unicode正规化
有些字符除了字母以外，还有附加符号。比如，汉语拼音的Ǒ，字母上面的声调就是附加符号。对于许多欧洲语言来说，声调符号是非常重要的。
Unicode提供了两种表示方法。一种是带附加符号的单个字符，即一个码点表示一个字符，比如比如Ǒ的码点是U+01D1；另一种是将附加符号单独作为一个码点，与主体字符复合显示，即两个码点表示一个字符，比如Ǒ可以写成O（U+004F） + ˇ（U+030C）。
// 方法一 '\u01D1' // 'Ǒ' // 方法二 '\u004F\u030C' // 'Ǒ'这两种表示方法，视觉和语义都完全一样，理应作为等同情况处理。但是，JavaScript无法辨别。
'\u01D1'==='\u004F\u030C' //falseES6提供了normalize方法，允许"Unicode正规化"，即将两种方法转为同样的序列。
'\u01D1'.normalize() === '\u004F\u030C'.normalize() // true关于ES6的更多介绍，请看《ECMAScript 6入门》 (opens new window)。
# js方法
- charCodeAt方法可返回指定位置的字符的Unicode编码，返回值是0-65535之间的整数，表示给定索引处的UTF-16代码单元
'好'.charCodeAt(); // 得到的是十进制？
'好'.codePointAt().toString(16) //'597d'
'符' == '\u7B26' // true
# 资料
← JS 异步错误捕获二三事 什么是时间分片 →