码位、U+、平面与代理对

Unicode 的第一件事是把「字符」变成一个编号，这个编号叫码位（code point）。它和字符在文件里怎么存（字节）是两回事——搞清楚这一层，后面那些「长度为什么是 2」「为什么一个字要 7 个码位」才有解释。

码位就是编号#

每个字符有一个 0 到 0x10FFFF 之间的编号。写作 U+ 加至少四位十六进制：

U+ 后面的位数不是固定的：BMP 内的码位习惯写四位，超出时写五位或六位。

平面#

把 0–0x10FFFF 每 65,536 个码位切成一块，叫一个平面（plane）：

「私用区」是留给各家自己定义的：字体可以在这里放任何图形，Unicode 不管它叫什么。

代理区不是字符#

U+D800–U+DFFF 这一千多个码位永远不对应字符，它们是 UTF-16 的机制：一个 BMP 之外的字符用两个 16 位码元拼出来，这对码元就落在这个区间里。

所以「代理区里有没有字符」这个问题没有意义——它们只是编码的中转站。

UTF-8 与 UTF-16#

• UTF-8 用 1–4 个字节表示一个码位，ASCII 兼容；网页与文件默认用它；
• UTF-16 用 2 个字节（一个码元）表示 BMP，BMP 之外用两个码元（代理对）。

JavaScript 的字符串是 UTF-16 码元序列，于是：

'😀'.length                  // 2  ← 两个码元
[...'😀'].length             // 1  ← 一个码位
'😀'.codePointAt(0)          // 128512 (0x1F600)
String.fromCodePoint(0x1F600) // '😀'

同样，slice(0, 1) 会把一个 emoji 砍成半个代理对，得到乱码。要按「字符」遍历，用 for...of 或展开成数组，而不是下标。

一个「字」可能是好几个码位#

码位是编码单位，不是「看起来的一个字」：

• é 可以是 U+00E9 一个码位，也可以是 U+0065 + U+0301（字母 + 重音）；
• 家庭 emoji 👨‍👩‍👧 是「男人 + 零宽连接符 + 女人 + 零宽连接符 + 女孩」，五个码位；
• 国旗 emoji 是两个「区域指示符」拼出来的。

负责把这些码位组合成「一个视觉字符」的过程叫字素簇（grapheme cluster）。它由 Unicode 的分段规则决定，不是字节数。

变体选择符#

有些字符有多个字形（比如「︎」与「️」这类 emoji 的文本/图形两种样子），用变体选择符指定：

• U+FE0E：要文本样式；
• U+FE0F：要 emoji 样式。

它们本身不显示，只是「附在前一个字符上」的修饰。字体要在 cmap 的变体序列表里声明支持，否则选择符会被忽略。

本站怎么展示#

字符抽屉里显示的是 U+4E2D 这种标准写法，加一行十进制，方便你去别处查。区块用的是 Unicode 官方 Blocks.txt 的名字与范围。

延伸阅读#

• Unicode 标准第 2 章（General Structure）
• UAX #29（字素簇边界）
• MDN：String#codePointAt、String.fromCodePoint