中文在unicode中的編碼範圍

標籤：style   blog   code   http   tar   color   

以前寫過一篇貼子是寫中文在unicode中的編碼範圍 unicode中文範圍，但寫的不是很詳細，今天再次研究了下unicode，並給出詳細的unicode取值範圍。

 

本次研究的unicode對象是unicode 5.2.0版本。現在最新的是6.0版

對於這次研究的unicode把編碼分為以下幾個平面(英文中是plane，可以認為就是不同的區位)

Unicode可以邏輯分為17平面（Plane），每個平面擁有65536（ = 216）個代碼點，雖然目前只有少數平面被使用。

平面0 (0000–FFFF): 基本多文種平面（Basic Multilingual Plane, BMP）.
平面1 (10000–1FFFF): 多文種補充平面（Supplementary Multilingual Plane, SMP）.
平面2 (20000–2FFFF): 表意文字補充平面（Supplementary Ideographic Plane, SIP）.
平面3 (30000–3FFFF): 表意文字第三平面（Tertiary Ideographic Plane, TIP）.
平面4 to 13 (40000–DFFFF)尚未使用
平面14 (E0000–EFFFF): 特別用途補充平面（Supplementary Special-purpose Plane, SSP）
平面15 (F0000–FFFFF)保留作為私人使用區（Private Use Area, PUA）
平面16 (100000–10FFFF)，保留作為私人使用區（Private Use Area, PUA）

 

最有用的當然就是BMP平面０了編碼從U+0000至U+FFFF。那裡包含了幾乎全部的常用字元。
unicode基本平面區的編碼區間含義

為鑒於Unicode原有的16位空間不足以應用，於是從Unicode 3.1版本開始，設立了16個擴充字碼空間，稱為輔助平面，
使 Unicode 的可使用空間由6萬多字增至約100萬字。輔助平面字元要用上4位元組來儲存。
unicode中的幾大區間

 

最後小結下：

１、現在網上大多數用於判斷中文字元的是　U+4E00..U+9FA5　這個範圍是只是“中日韓統一表意文字”這個區間，但這不是全部，如果要全部包含，則還要他們的擴充集、部首、象形字、注間字母等等;

2E80－A4CF　加上　F900-FAFF　加上　FE30-FE4F

其中　

2E80－A4CF　

包含了中日朝部首補充、康熙部首、表意文字描述符、中日朝符號和標點、日文平假名、日文片假名、注音字母、諺文相容字母、象形字注釋標誌、注音字母擴充、中日朝筆畫、日文片假名語音擴充、帶圈中日朝字母和月份、中日朝相容、中日朝統一表意文字擴充A、易經六十四卦符號、中日韓統一表意文字、彝文音節、彝文字根

 F900-FAFF

中日朝相容表意文字

FE30-FE4F

中日朝相容形式

所以，一般用4E00－9FA5已經可以，如果要更廣，則用2E80－A4CF  ||   F900-FAFF　||　FE30-FE4F

 

２、全形ASCII、全形中英文標點、半寬片假名、半寬平假名、半寬韓文字母：FF00-FFEF

３、不要太關心簡繁中文的區別，如果要明確非要簡體中文可參考unicode中簡體中文編碼

 

轉載自：

http://www.iteye.com/topic/977671