unicode编码是占用几个字节？

Question

我查找资料有些说是4个字节，有些说是2个字节，但我个人认为应该是2个字节，因为unicode编码是4个16进制数值，应该只占用了2个字节，但问题也来了，如果只占用了2个字节，那最多也就只能编码2^16个字符，也就是65536个字符，那为什么说unicode能对世界上绝大多数的字符都进行编码了呢？

Answer 1

你的想法是对的。

这一标准的 2 字节形式通常称作 UCS-2。然而，受制于 2 字节数量的限制，UCS-2 只能表示最多 65536 个字符。Unicode 的 4 字节形式被称为 UCS-4 或 UTF-32，能够定义 Unicode 的全部扩展，最多可定义 100 万个以上唯一字符。

2016-06-21 颁发的 Unicode 9.0 共收录 128,237 个字。

Unicode 是一种字符集，Unicode 的学名是 "Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS 可以看作是 "Unicode Character Set" 的缩写。

UCS-4 是一个更大的尚未填充完全的 31 位字符集，加上恒为 0 的首位，共需占据 32 位，即 4 字节。理论上最多能表示 2^31 个字符，完全可以涵盖一切语言所用的符号。

UCS 只是规定如何编码，并没有规定如何传输、保存这个编码。例如“汉”字的 UCS 编码是 6C49，我可以用 4 个
ascii 数字来传输、保存这个编码；也可以用 utf-8 编码 3 个连续的字节 E6 B1 89 来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16 都是被广泛接受的方案。UTF 是 “UCS Transformation Format” 的缩写。

Answer 2

没错，因此 emoji 就需要用 UTF-16 来编码入库。

Answer 3

试着写下个人看法：
unicode有17个平面，每个平面最多能表示65536个字符。
unicode字符集的基本格式：0x0000~0x10FFFF
16进制表示，前两位代表平面（0~0x10,刚好17个平面），后四位代表平面内表达的字符数（4位，最多655365个字符）。

2字节形式，平面=0，后4位=2字节；
4字节形式，整个unicode码=4字节（实际只需要3字节，计算机里表达都是2的倍数）