免責聲明

Disclaimer (免責聲明)
繼續閱覽代表您接受以上的免責聲明.
To continue reading means you accept the above disclaimer.

2012年11月27日 星期二

UTF16 code points

UTF-16 , 0x00-0000 -- 0x10-FFFF,  21 bits, 1,112,064 code points
UCS-2,  0x0000 -- 0xFFFF, 比較早的標準,  16 bits


the leading 5 bits(0x00 -- 0x10)  separate UTF-16 into 17 planes


//=== Code points U+0000 to U+D7FF  and  U+E000 to U+FFFF
此範圍又稱為 BMP ( Basic Multi-lingual Plane )
大部分的常用字 均位於此.


//===  Code points U+010000 to U+10FFFF
位於此範圍的 code point 將被編碼成兩個16bit的數字
lead / leading surrogate 與 trail / trailing surrogate

令 cp= code point
lead surrogate= ((cp-0x010000) >>10 )& 0x03FF   + 0xD800 ; //the top 10 bits
trail surrogate= (cp-0x010000)  & 0x03FF  + 0xDC00;  //the lower 10 bits

lead surrogate 範圍 [ 0xD800 , 0xDBFF ]
trail surrogate 範圍 [ 0xDC00, 0xDFFF ]

//=== Code points U+D800 to U+DFFF

not assigned in UTF-16 code space


所以UTF-16 是一種轉換(transform)
將 [ 0x00-0000 ,  0x10-FFFF ] - [ 0xD800 , 0xDFFF ]
對應到
1個16bit 數字(2-byte char, identity transform) 或 兩個 16bit 數字 (4-byte char, surrogate pair transform)

the inverse transform  for UTF-16 encoding
pseudo code snippet

int c= read2bytes();
if(c < 0xD800 || c > 0xDFFF)
 return c;
else {
   int c2= read2bytes();
   //assume c2 is correctly read out
  return  0x010000 +  (c-0xD800) <<10  + (c2- 0xDC00);
}





[ref]
http://en.wikipedia.org/wiki/UTF-16


沒有留言:

張貼留言