UTF-16中的码元(code unit)到底是什么东西？

Question

下午看了很多UTF-16的资料，对码元(code unit)的概念反而变得模糊了。

从这个字面意思来看，似乎是想表达“编码的单元” unit of code 的意思。
在某篇文章里，说码元是字符的编码存储在计算机中产生出的概念，换句话说，在UTF-16中，如果某个字符用了16bits的一个整数来映射，在保存时，它就需要消耗2个bytes，因此code unit = 2。
同理，如果是需要使用2个16bits的一个整数映射了某字符，那么该字符的code unit =4。

但是，在UTF-16的WIKI中，有这样一句：

第一个Unicode平面（码位从U+0000至U+FFFF）包含了最常用的字符。该平面被称为基本多语言平面，缩写为BMP（Basic Multilingual Plane, BMP）。UTF-16与UCS-2编码这个范围内的码位为16比特长的单个码元，数值等价于对应的码位. BMP中的这些码位是仅有的可以在UCS-2中表示的码位。

从这句话来看，码元应该就是指“16bits长的最小存储单位”，我个人感觉这才是对的，如果码元=字节数，那似乎太不直观了吧，还不如用字节算了。

求证实！

Answer 1

很不错的问题，已赞。

我仔细看了你引用的维基百科的链接，看了对应的英文版，确认了不是翻译的问题。

我的回答可能不正确，仅供参考吧。

---

字节是一个存储概念，码元是一个通讯编码传输概念。

• ASCII 码元是 7 bit

• UTF-8 码元是 8 bit

• UTF-16 码元 16 bit

• ....

你在问题描述中也提到了，码元是编码的单元。

在编码 Character_encoding中有一个例子:

Example of a code unit: Consider a string of the letters "abc"
followed by U+10400 ? DESERET CAPITAL LETTER LONG I (represented with
1 char32_t, 2 char16_t or 4 char8_t). That string contains:

• four characters;

• four code points

• either:

  • four code units in UTF-32 (00000061, 00000062, 00000063, 00010400)

  • five code units in UTF-16 (0061, 0062, 0063, d801, dc00), or

  • seven code units in UTF-8 (61, 62, 63, f0, 90, 90, 80).

UTF-* 是编码，UCS（Unicode）是字符集。

UTF-16 与 UCS-2 编码这个范围内的码位为 16 比特长的单个码元，数值等价于对应的码位....

因为 UTF 是变长编码，所以在第一平面的编码为 16 bit。

The encoding is variable-length, as code points are encoded with one or two 16-bit code units.