代理項 Surrogate

概述

代理項（Surrogate），是一種僅在 UTF-16 中用來表示補充字符的方法。在 UTF-16 中，爲補充字符分配兩個 16 位的 Unicode 代碼單元：

• 第一個代碼單元，被稱爲高代理項代碼單元或前導代碼單元；
• 第二個代碼單元，被稱爲低代理項代碼單元或尾隨代碼單元。

這兩個代碼單元組合在一起，就被稱爲代理項對。

相關術語

爲了能更好地理解“代理項”這一概念，就需要先了解相關的 Unicode 術語：¹

• 代碼點（Code Point）：

  1. Unicode 代碼空間中的任何值，即從 0 到 10FFFF~16~ 的整數範圍。但並非所有代碼點都分配給編碼字符。
  2. 一個字符在任何編碼字符集中的值或位置。
• 代碼單元（Code Unit）：最小的數位組合，可以表示用於處理或交換的編碼文本的單位。在 Unicode 標準中，UTF-8 編碼格式採用 8 位編碼單元，UTF-16 編碼格式採用 16 位編碼單元，UTF-32 編碼格式採用 32 位編碼單元。
• BMP 字符（BMP Character）：位於 BMP（Basic Multilingual Plane，多語種基本面）代碼點的 Unicode 編碼字符。
• BMP 代碼點（BMP Code Point）：在 U+0000 到 U+FFFF 範圍內的 Unicode 代碼點。
• 補充字符（Supplementary Character）：位於補充代碼點的 Unicode 編碼字符。
• 補充代碼點（Supplementary Code Point）：在 U+10000 到 U+10FFFF 範圍內的 Unicode 代碼點。
• 高代理項代碼點（High-Surrogate Code Point）：在 U+D800 到 U+DBFF 範圍內的 Unicode 代碼點。
• 高代理項代碼單元（High-Surrogate Code Unit）：在 D800~16~ 到 DBFF~16~ 範圍內的 16 位代碼單元，在 UTF-16 中用作代理項對的前導代碼單元（Leading Code Unit）。
• 低代理項代碼點（Low-Surrogate Code Point）：在 U+DC00 到 U+DFFF 範圍內的 Unicode 代碼點。
• 低代理項代碼單元（Low-Surrogate Code Unit）：在 DC00~16~ 到 DFFF~16~ 範圍內的 16 位代碼單元，在 UTF-16 中用作代理項對的尾隨代碼單元（Trailing Code Unit）。
• 代理項對（Surrogate Pair）：由兩個 16 位代碼單元組成，其中第一個是高代理項代碼單元，第二個是低代理項代碼單元。
• 代理項字符（Surrogate Character）：用詞不當。這表示一個編碼字符只有一個代理項代碼點，這是不可能的。所以請勿使用這個詞。

特別說明：²

1. 高代理項代碼點和低代理項代碼點，僅指定用於此用途（即字面意義所指的用途，不作他用）。
2. 高代理項代碼單元和低代理項代碼單元，僅在 UTF-16 中使用。
3. 代理項對，僅在 UTF-16 中使用。

釋義

關於代理項的概念，通俗來講，就是爲補充字符找兩個“代理人”。由於補充字符體格壯碩，到了 UTF-16 這個地方就需要佔用兩個 16 位的座位。爲了避免因“佔座糾紛”導致意外發生，就需要爲補充字符找來兩個“代理人”，代替他來佔用兩個座位，這樣就能皆大歡喜了。

• 兩個“代理人”，就是高代理項和低代理項。
• 兩個“代理人”佔用的座位，就是 16 位的高代理項代碼單元和低代理項代碼單元。
• 兩個“代理人”所在的位置，就是高代理項代碼點和低代理項代碼點。
• 兩個“代理人”組合在一起，就是代理項對。
• “代理人”一定是出雙入對的。單身的“代理人”是不能表示補充字符的，只能被稱爲未配對代理項（Unpaired Surrogate）。

代理項僅在 UTF-16 中用來表示補充字符，是指：

1. 不在 UTF-8 中使用。補充字符到了 UTF-8 這個地方就需要佔用四個 8 位的座位，而實際給補充字符找的是兩個 16 位的“代理人”，對不上號。
2. 不在 UTF-32 中使用。在 UTF-32 這個地方提供的座位，完全符合補充字符的體形，無需再爲其另找“代理人”佔座。
3. 不表示 BMP 字符。在補充字符沒有出現時，並沒有“代理人”這一概念，也就是說“代理人”並不是給 BMP 字符找的。

在 Java 中的應用

以下內容來自 Java API 文檔：³

char 數據類型以及 Character 對象封裝的值，都是基於最初的 Unicode 規範，該規範將字符定義爲固定寬度的 16 位實體。隨着 Unicode 標準的不斷更新，超過 16 位的字符已被允許表示。合法代碼點的範圍已擴展到 U+10FFFF。

在 char 數組、String 類和 StringBuffer 類中，都採用 UTF-16 來表示字符。在這種表示法中，補充字符被表示爲一對 char 值，第一個來自高代理項區間（uD800 - uDBFF），第二個來自低代理項區間（uDC00 - uDFFF）。

因此，char 值可表示 BMP 代碼點、代理項代碼點或 UTF-16 編碼的代碼單元。而所有的 Unicode 代碼點，包括補充代碼點，則用 int 值來表示。int 值中的低 21 位用來表示 Unicode 代碼點，而高 11 位必須爲零。

---

1. Unicode 詞彙表 ↩
2. Unicode 標準 ↩
3. Unicode 字符表示法 ↩