在讨论 Unicode 编码时，符号“U+”是什么意思？答案

【问题标题】：what is meant by the notation "U+" when discussing Unicode encoding?在讨论 Unicode 编码时，符号“U+”是什么意思？
【发布时间】：2018-05-23 19:48:11
【问题描述】：

我意识到这是非常基本的，因为我正在阅读维基百科中的 Unicode 以及它指向的任何地方。但是这个“U+0000”语义没有完全解释。在我看来，“U”总是等于 0。

为什么“U+”是符号的一部分？这到底是什么意思？（它似乎是一些基本值，但我无法理解它何时或为什么非零。）

另外，如果我从其他来源收到一串文本，我如何知道该字符串是 UTF-8、UTF-16 还是 UTF-32 编码的？有什么方法可以根据上下文自动确定吗？

【问题讨论】：

标签： unicode unicode-string

【解决方案1】：

来自维基百科，文章Unicode，部分Architecture and Terminology：

Unicode 定义了 0 到 10FFFF（十六进制）范围内的 1,114,112 个代码点的代码空间。通常通过写“U+”后跟其十六进制数字来引用 Unicode 代码点。对于基本多语言平面 (BMP) 中的代码点，使用四位数字（例如，字符 LATIN CAPITAL LETTER X 的 U+0058）；对于 BMP 之外的代码点，使用五位或六位数字。

引入此约定是为了让读者了解代码点具体是一个 Unicode 代码点。例如，字母ă（拉丁文小写字母A WITH BREVE）为U+0103；在代码页 852 中它的代码是 0xC7，在代码页 1250 中它的代码是 0xE3，但是当我写 U+0103 时，每个人都明白我的意思是 Unicode 代码点，他们可以查找它。
对于用拉丁字母书写的语言，UTF-16 和 UTF-32 字符串很可能包含大量值为 0 的字节，这些字节不应出现在 UTF-8 编码字符串中。通过查看哪些个字节为零，您还可以推断 UTF-16 和 UTF-32 字符串的字节顺序，即使在没有 Byte Order Mark 的情况下也是如此。

例如，如果你得到字节
```
 0xC3 0x89 0x70 0xC3 0xA9 0x65
```
这很可能是 UTF-8 编码的Épée。在 little-endian UTF-16 中，这将是
```
 0x00 0xC9 0x00 0x70 0x00 0xE9 0x00 0x65
```
（注意每个偶数字节如何为零。）

【讨论】：

谢谢，我自己开始发现其中一些，但这个答案非常有帮助。
所以我了解到“U”没有添加到任何东西，它只是一个类似于“0x”前面十六进制或“H”后面的符号（这似乎已被弃用，谢天谢地）。而且看起来我所看到的一切，就输入的文本字符串而言是 UTF-8。因此 ASCII 7 位范围之外的 no 字符被编码为单个字节。例如在 UTF-8 中，¢ 字符绝不是 0xA2 的单个字节。如果你想要 UTF-8 中的 ¢，它必须被编码为两个字节 0xC2A2。所以对于 UTF-8，没有 "extended ASCII"。并且这些字符必须是两个或更多字节。
@robertbristow-johnson：是的，有些语言使用转义符号 \u1234（可能还有 \U103456）。注意：U+XXXX（和 \u）被解码，因为它是字符的逻辑（和抽象）表示：它表示 unicode 表中的一个字符，而没有告诉我们如何将它作为字节放置。相反，0xAA 被编码，因此是字节的物理表示。