我从未理解UTF-16编码的意义。如果您需要将字符串视为随机访问(即代码点等同于代码单元),那么您需要使用UTF-32,因为UTF-16仍然是可变长度的。如果您不需要这个功能,那么与UTF-8相比,UTF-16似乎浪费了大量的空间。UTF-16相对于UTF-8和UTF-32的优点是什么,为什么Windows和Java将其用作本地编码?
我从未理解UTF-16编码的意义。如果您需要将字符串视为随机访问(即代码点等同于代码单元),那么您需要使用UTF-32,因为UTF-16仍然是可变长度的。如果您不需要这个功能,那么与UTF-8相比,UTF-16似乎浪费了大量的空间。UTF-16相对于UTF-8和UTF-32的优点是什么,为什么Windows和Java将其用作本地编码?
当Windows NT被设计时,UTF-16不存在(NT 3.51诞生于1993年,而UTF-16是在1996年与Unicode 2.0标准一起诞生的),取而代之的是UCS-2。在那个时候,UCS-2足以容纳Unicode中所有可用的字符,因此1个代码点=1个代码单元的等价关系实际上是正确的——对于字符串没有需要变长逻辑。
后来他们转向UTF-16,以支持整个Unicode字符集;但是他们不能转向UTF-8或UTF-32,因为这将破坏API接口中的二进制兼容性(除其他事项外)。
至于Java,我不太确定;由于它是在大约1995年发布的,我怀疑UTF-16已经在蓬勃发展了(即使它还没有标准化),但我认为与基于NT的操作系统的兼容性可能在他们的选择中起到了一定的作用(每次调用Windows APIs时进行连续的UTF-8 <-> UTF-16转换可能会导致一些减速)。
编辑
维基百科解释说,即使对于Java也是同样的情况:它最初支持UCS-2,但在J2SE 5.0中转换到UTF-16。
因此,通常当您在某些API / Framework中看到使用UTF-16时,这是因为它最初作为UCS-2(为了避免字符串管理算法中的复杂性)开始,但它转向UTF-16以支持BMP之外的代码点,仍然保持相同的代码单元大小。
在UTF-8和UTF-16之间,除了向后兼容的回复,其他关于UTF-16优势的回复都没有任何意义。
我的评论有两个注意点。
Erik说:“UTF-16使用单元覆盖整个BMP - 所以除非你需要BMP外较稀有的字符,否则UTF-16实际上是每个字符2个字节。”
注意1)
如果您可以确信您的应用程序不需要BMP之外的任何字符,并且您为其编写的任何库代码将永远不会与需要BMP之外的字符的应用程序一起使用,则可以使用UTF-16,并编写使每个字符恰好为两个字节的隐式假设的代码。
这似乎极其危险(实际上很愚蠢)。
如果您的代码假定所有UTF-16字符均为两个字节长,并且您的程序与存在单个BMP之外字符的应用程序或库交互,则您的代码将出现错误。检查或操作UTF-16的代码必须编写为处理一个需要超过2个字节的UTF-16字符的情况;因此,我“忽略”了这个注意点。
UTF-16编码并不比UTF-8更易于编码(两者的代码都必须处理可变长度字符)。
注意2)
在某些情况下,如果适当编写,UTF-16可能会更具计算效率。
比如:假设某些长字符串很少被修改,但经常被检查(或更好地说,一旦构建就不再被修改 - 即一个创建不可修改字符串的字符串构建器)。为每个字符串设置一个标志,指示该字符串是否仅包含“固定长度”字符(即未包含长度不是两个字节的字符)。可以使用优化代码检查标志为true的字符串,该代码假定为固定长度(2字节)字符。
空间利用怎么样?
显然,UTF-16对于A)需要较少的字节数来编码而UTF-8需要较多字节的字符更有效率。
显然,对于UTF-8比UTF-16需要更少的字节来编码的B字符,UTF-8更加高效。
除了非常“专业”的文本外,B字符的数量很可能远远超过A字符的数量。
UTF-16允许将所有基本多语言平面(BMP)表示为单个代码单元。 Unicode代码点超过U + FFFF由代理对表示。
有趣的是,Java和Windows(以及其他使用UTF-16的系统)都在代码单元级别而不是Unicode代码点级别上运行。因此,由单个字符U + 1D122(音乐符号F CLEF)组成的字符串在Java中被编码为“\ ud824 \ udd22”,并且“\ ud824 \ udd22” .length()== 2
(而不是 1
)。所以这有点像黑客,但事实证明字符不是可变长度的。
UTF-16相对于UTF-8的优势在于,如果使用UTF-8进行相同的黑客操作,则会放弃太多内容。
UTF16通常用作多字节字符集的直接映射,即仅使用原始的0-0xFFFF分配的字符。
这为您提供了最佳的两个世界,您拥有固定的字符大小,但仍然可以打印任何人可能使用的所有字符(除了正统克林贡宗教脚本)。