Имеет ли Unicode определенное максимальное количество кодовых точек?

Я прочитал много статей, чтобы узнать, какое максимальное количество кодовых точек Unicode, но я не нашел окончательного ответа.

Я понял, что кодовые точки Unicode были сведены к минимуму, чтобы все кодировки UTF-8 UTF-16 и UTF-32 могли обрабатывать одинаковое количество кодовых точек. Но что это за количество кодовых точек?

наиболее частый ответ, с которым я столкнулся, заключается в том, что кодовые точки Unicode находятся в диапазоне от 0x000000 до 0x10FFFF (1,114,112 кодовые точки), но я также читал в других местах, что это 1,112,114 кодовые точки. Итак, есть ли один номер, который нужно дать, или проблема сложнее?

3 ответов


максимальная допустимая кодовая точка в Юникоде-U+10FFFF, что делает его 21-разрядным набором кодов (но не все 21-разрядные целые числа являются допустимыми кодовыми точками Юникода; в частности, значения от 0x11000 до 0x1FFFF не являются допустимыми кодовыми точками Юникода).

вот откуда берется число 1,114,112: U+0000 .. U+10FFFF - 1,114,112 значения.

однако есть также набор кодовых точек, которые являются суррогатами для UTF-16. Они находятся в диапазоне U+D800 .. ОТ U+ДО DFFF. Это 2048 кодовые точки, зарезервированные для UTF-16.

1,114,112 - 2,048 = 1,112,064

есть также 66 не-символов. Они определены частично в исправление #9: 34 значения вида U+nFFFE и U+nFFFF (где n - это значение 0x00000, 0x10000, ... 0xF0000, 0x100000) и 32 значения U+FDD0-U+FDEF. Вычитание этих тоже дает 1,111,998 распределяемых символов. Существует три диапазона, зарезервированные для "частного использования": U+E000 .. U+F8FF, U+F0000 .. U+FFFFD, и U + 100000 .. U+10FFFD. И количество фактически назначенных значений зависит от версии Unicode, на которую вы смотрите. Вы можете найти информацию о последней версии на Консорциум Unicode. Среди прочего, в предисловии говорится:

стандарт Юникода, версия 7.0, содержит 112,956 символов

таким образом, было выделено только около 10% доступных кодовых точек.

Я не могу объясните, почему вы нашли 1,112,114 как количество кодовых точек.

кстати, верхний предел U+10FFFF выбран таким образом, что все значения в Unicode могут быть представлены в одной или двух 2-байтовых единицах кодирования в UTF-16, используя один высокий суррогат и один низкий суррогат для представления значений за пределами BMP или базовой многоязычной плоскости, которая является диапазоном U+0000 .. U+FFFF.


да, все кодовые точки, которые не могут быть представлены в UTF-16 (включая использование суррогатов), были объявлены недействительными.

U+10FFD кажется самой высокой кодовой точкой, но суррогаты, u+00FFFE и u+00FFFF не являются используемыми кодовыми точками, поэтому общее количество немного ниже.


Я сделал очень маленькую процедуру, которая печатает на экране очень длинную таблицу, от 0 до n значений, где начало var-это число, которое может быть настроено пользователем. Это фрагмент:

function getVal()
			{
				var start = parseInt(document.getElementById('start').value);
				var range = parseInt(document.getElementById('range').value);
				var end = start + range;
				return [start, range, end];
			}

		
			function next()
			{
				var values = getVal();
				document.getElementById('start').value = values[2];
				document.getElementById('ok').click();
			}
			
			function prev()
			{
				var values = getVal();
				document.getElementById('start').value = values[0] - values[1];
				document.getElementById('ok').click();
			}
			
			function renderCharCodeTable()
			{
				var values = getVal();
				var start = values[0];
				var end = values[2];

				const MINSTART = 0; // Allowed range
				const MAXEND = 4294967294; // Allowed range
				
				start = start < MINSTART ? MINSTART : start;
				end = end < MINSTART ? (MINSTART + 1) : end;

				start = start > MAXEND ? (MAXEND - 1) : start;
				end = end >= MAXEND ? (MAXEND + 1) : end;
				
				var tr = [];
				
				var unicodeCharSet = document.getElementById('unicodeCharSet');

				var cCode;
				var cPoint;
				for (var c = start; c < end; c++)
				{
					try
					{
						cCode = String.fromCharCode(c);
					}
					catch (e)
					{
						cCode = 'fromCharCode max val exceeded';
					}
					
					try
					{
						cPoint = String.fromCodePoint(c);
					}
					catch (e)
					{
						cPoint = 'fromCodePoint max val exceeded';
					}
					
					tr[c] = '<tr><td>' + c + '</td><td>' + cCode + '</td><td>' + cPoint + '</td></tr>'
				}
				unicodeCharSet.innerHTML = tr.join('');
			}
			
			function startRender()
			{
				setTimeout(renderCharCodeTable, 100);
				console.time('renderCharCodeTable');
			}
			unicodeCharSet.addEventListener("load",startRender());
body
		{
			margin-bottom: 50%;
		}
		
		form
		{
			position: fixed;
		}
		
		table *
		{
			border: 1px solid black;
			font-size: 1em;
			text-align: center;
		}
		
		table
		{
			margin: auto;
			border-collapse: collapse;
		}
		
		td:hover
		{
			padding-bottom: 1.5em;
			padding-top: 1.5em;
		}
		
		tbody > tr:hover
		{
			font-size: 5em;
		}
	
	<form>
		Start Unicode: <input type="number" id="start" value="0" onchange="renderCharCodeTable()" min="0" max="4294967300" title="Set a number from 0 to 4294967294" >
		<p></p>
		Show <input type="number" id="range" value="30" onchange="renderCharCodeTable()" min="1" max="1000" title="Range to show. Insert a value from 10 to 1000" > symbols at once.
		<p></p>
		<input type="button" id="pr" value="◄◄" onclick="prev()" title="Mostra precedenti" >
		<input type="button" id="nx" value="►►" onclick="next()" title="Mostra successivi" >
		<input type="button" id="ok" value="OK" onclick="startRender()" title="Ok" >
		<input type="reset" id="rst" value="X" onclick="startRender()" title="Reset" >
		
	</form>
	<table>
		<thead>
			<tr>
				<th>CODE</th>
				<th>Symbol fromCharCode</th>
				<th>Symbol fromCodePoint</th>
			</tr>
		</thead>
		<tbody id="unicodeCharSet">
			<tr><td colspan="2">Rendering...</td></tr>
		</tbody>
	</table>

запустить его в первый раз, затем откройте код и установить start значение переменной до очень высокого числа чуть ниже, чем постоянное значение MAXEND. Вот что я получил:--7-->

    code        equivalent symbol
{~~~ first execution output example ~~~~~}

0   
1   
2   
3   
4   
5   
6   
7   
8   
9   
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  
22  
23  
24  
25  
26  
27  
28  
29  
30  
31  
32  
33  !
34  "
35  #
36  $
37  %
38  &
39  '
40  (
41  )
42  *
43  +
44  ,
45  -
46  .
47  /
48  0
49  1
50  2
51  3
52  4
53  5
54  6
55  7
56  8
57  9
{~~~ second execution output example ~~~~~}
4294967275  →
4294967276  ↓
4294967277  ■
4294967278  ○
4294967279  
4294967280  
4294967281  
4294967282  
4294967283  
4294967284  
4294967285  
4294967286  
4294967287  
4294967288  
4294967289  
4294967290  
4294967291  
4294967292  
4294967293  �
4294967294  

выход курс усечен (между первым и вторым выполнением), потому что он слишком длинный.

после 4294967294 (=2^32) функция неумолимо останавливается, поэтому я предполагаю, что она достигла своего максимально возможного значения: поэтому я интерпретирую это как максимально возможное значение таблицы символов Юникода. Конечно, как сказано в других ответах, не все коды char имеют эквивалентные символы, но часто они пусты, как показал пример. Также есть много символов, которые повторяются несколько раз в разных точках от 0 до 4294967294 коды символов

Edit: улучшения

(спасибо @duskwuff)

теперь также можно сравнить оба строку.fromCharCode и строку.fromCodePoint поведения. Обратите внимание, что первый оператор поступает в 4294967294, но вывод повторяется каждые 65536 (16 бит = 2^16). Последний перестает работать с кодом 1114111 (потому что список символов Юникода и символов начинается с 0 у нас есть всего 1,114,112 кодовых точек Unicode, но, как сказано в других ответах, не все из них действительны в том смысле, что они являются пустыми точками). Также помните, что для использования определенного символа Юникода вам нужен соответствующий шрифт, в котором определен соответствующий символ. Если нет, вы покажете пустой символ unicode или пустой квадратный символ.

enter image description here

обратите внимание:

Я заметил, что в некоторых системах Android с помощью браузера Chrome для Android js String.fromCodePoint возвращает ошибку для всех элементов кода.