寫在前面

在開發(fā)中我們經(jīng)常會(huì)遇到限制字符串長(zhǎng)度問題莱睁，如果用的是 NSString 很自然使用字符串屬性 length 來協(xié)助判斷掂铐，比如

@"我是字符串a(chǎn)bc".length < 10

但是如果字符串包含 emoji 表情的時(shí)候發(fā)現(xiàn)長(zhǎng)度會(huì)不一樣， 比如

var str1InOC: NSString = "??";
var str2InOC: NSString = "????";
var str3InOC: NSString = "??????";
var str4InOC: NSString = "????????";
print(
"str1InOC:", str1InOC.length, 
"str2InOC:", str2InOC.length, 
"str3InOC:", str3InOC.length, 
"str4InOC:", str4InOC.length,
);

/*
輸出：
str1InOC: 2 str2InOC: 4 str3InOC: 7 str4InOC: 11
*/

在弄清原因前埋合，需要先來研究一下字符編碼問題备徐。

ASCII 字符集

我們知道，計(jì)算機(jī)內(nèi)部甚颂，所有信息最終都是一個(gè)二進(jìn)制值蜜猾。每一個(gè)二進(jìn)制位（bit）有0和1兩種狀態(tài)，因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài)振诬，這被稱為一個(gè)字節(jié)（byte）蹭睡。也就是說，一個(gè)字節(jié)一共可以用來表示256種不同的狀態(tài)赶么，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)肩豁，就是256個(gè)符號(hào)，從00000000到11111111辫呻。

上個(gè)世紀(jì)60年代清钥，美國(guó)制定了一套字符編碼，對(duì)英語字符與二進(jìn)制位之間的關(guān)系放闺，做了統(tǒng)一規(guī)定祟昭。這被稱為 ASCII 碼，一直沿用至今怖侦。

ASCII 碼一共規(guī)定了128個(gè)字符的編碼篡悟，比如空格SPACE是32（二進(jìn)制00100000）谜叹，大寫的字母A是65（二進(jìn)制01000001）。這128個(gè)符號(hào)（包括32個(gè)不能打印出來的控制符號(hào)）恰力，只占用了一個(gè)字節(jié)的后面7位叉谜，最前面的一位統(tǒng)一規(guī)定為0。

e850352ac65c103880a07b53bc119313b17e8941.png

ASCII 字符集的局限性

英語用128個(gè)符號(hào)編碼就夠了踩萎，但是用來表示其他語言停局，128個(gè)符號(hào)是不夠的。比如香府，在法語中董栽，字母上方有注音符號(hào)，它就無法用 ASCII 碼表示企孩。于是锭碳，一些歐洲國(guó)家就決定，利用字節(jié)中閑置的最高位編入新的符號(hào)勿璃。比如擒抛，法語中的é的編碼為130（二進(jìn)制10000010）。這樣一來补疑，這些歐洲國(guó)家使用的編碼體系歧沪，可以表示最多256個(gè)符號(hào)。

但是莲组，這里又出現(xiàn)了新的問題诊胞。不同的國(guó)家有不同的字母，因此锹杈，哪怕它們都使用256個(gè)符號(hào)的編碼方式撵孤，代表的字母卻不一樣。比如竭望，130在法語編碼中代表了é邪码，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會(huì)代表另一個(gè)符號(hào)咬清。但是不管怎樣霞扬，所有這些編碼方式中，0--127表示的符號(hào)是一樣的枫振，不一樣的只是128--255的這一段。

至于亞洲國(guó)家的文字萤彩，使用的符號(hào)就更多了粪滤，漢字就多達(dá)10萬左右。一個(gè)字節(jié)只能表示256種符號(hào)雀扶，肯定是不夠的杖小，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)肆汹。比如，簡(jiǎn)體中文常見的編碼方式是 GBK予权，使用兩個(gè)字節(jié)表示一個(gè)漢字昂勉，后面會(huì)詳細(xì)講解。

其他語種也都有自己的字符集扫腺，這樣一來適配各種語種變得異常繁瑣岗照。

Unicode 字符集

Unicode，中文又稱萬國(guó)碼笆环、國(guó)際碼攒至、統(tǒng)一碼、單一碼躁劣，是計(jì)算機(jī)科學(xué)領(lǐng)域的業(yè)界標(biāo)準(zhǔn)迫吐。它整理、編碼了世界上大部分的文字系統(tǒng)账忘，使得電腦可以用更為簡(jiǎn)單的方式來呈現(xiàn)和處理文字志膀。

Unicode的編碼從U+0000到U+10FFFF，共有1,112,064個(gè)碼位（code point）可用來映射字符鳖擒。Unicode的編碼空間可以劃分為17個(gè)平面（plane）溉浙，每個(gè)平面包含2^16（65,536）個(gè)碼位。17個(gè)平面的碼位可表示為從U+xx0000到U+xxFFFF败去，其中xx表示十六進(jìn)制值從0x00到0x10放航，共計(jì)17個(gè)平面。第一個(gè)平面稱為基本多語言平面（Basic Multilingual Plane, BMP）圆裕，或稱第零平面（Plane 0）广鳍，其他平面稱為輔助平面（Supplementary Planes）。

一般Unicode的碼位表示成U+XXXXXX 的形式吓妆，X 代表一個(gè)十六制數(shù)字赊时，表示形式的范圍在 4-6 位之間，也就是U+0000 ~ U+10FFFF間行拢。當(dāng)碼位值不足 4 位時(shí)前面補(bǔ) 0 補(bǔ)足 4 位祖秒，超過則按是幾位就是幾位。

其他更多平面映射詳情可以查看Unicode字符平面映射

Unicode 除了使用單個(gè)碼點(diǎn)表示 Emoji湿故，還允許多個(gè)碼點(diǎn)組合表示一個(gè) Emoji阿趁。其中的一種方式是"零寬度連接符"（ZERO WIDTH JOINER，縮寫 ZWJ）U+200D坛猪。舉例來說脖阵，下面是三個(gè) Emoji 的碼點(diǎn)。

U+1F468：男人
U+1F469：女人
U+1F467：女孩

上面三個(gè)碼點(diǎn)使用U+200D連接起來墅茉，U+1F468 U+200D U+1F469 U+200D U+1F467命黔，就會(huì)顯示為一個(gè) Emoji ??????，表示他們組成的家庭躁锁。如果用戶的系統(tǒng)不支持這種方法纷铣，就還是顯示為三個(gè)獨(dú)立的 Emoji ??????

UTF-32、UTF-16战转、UTF-8 編碼

需要注意的是搜立，Unicode 只是一個(gè)符號(hào)集，它只規(guī)定了符號(hào)的二進(jìn)制代碼槐秧，卻沒有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)啄踊。

比如，漢字嚴(yán)的 Unicode 是十六進(jìn)制數(shù)4E25刁标，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101）颠通，也就是說，這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)膀懈。表示其他更大的符號(hào)顿锰，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)，甚至更多启搂。

于是有了Unicode轉(zhuǎn)換格式硼控，縮寫為UTF(Unicode Transformation Formats)，用來處理編碼問題胳赌。

UTF-32編碼

UTF-32是一種用于編碼Unicode的協(xié)定牢撼，該協(xié)定使用32位比特對(duì)每個(gè)Unicode碼位進(jìn)行編碼（但前導(dǎo)比特?cái)?shù)必須為零，故僅能表示2^21個(gè)Unicode碼位）疑苫。與其他可變長(zhǎng)度的Unicode轉(zhuǎn)換格式（UTF）相比熏版，UTF-32編碼長(zhǎng)度是固定的，UTF-32中的每個(gè)32位值代表一個(gè)Unicode碼位捍掺，并且與該碼位的數(shù)值完全一致撼短。

優(yōu)點(diǎn)：可以直接由Unicode碼位來索引。在編碼序列中查找第N個(gè)編碼是一個(gè)常數(shù)時(shí)間操作挺勿。相比之下阔加，其他可變長(zhǎng)度編碼需要進(jìn)行循序訪問操作才能在編碼序列中找到第N個(gè)編碼。這使得在計(jì)算機(jī)程序設(shè)計(jì)中满钟，編碼序列中的字符位置可以用一個(gè)整數(shù)來表示胜榔，整數(shù)加一即可得到下一個(gè)字符的位置，就和ASCII字符串一樣簡(jiǎn)單湃番。

缺點(diǎn)：每個(gè)碼位使用四個(gè)字節(jié)夭织，空間浪費(fèi)較多。在大多數(shù)文本中吠撮，非基本多文種平面的字符非常罕見尊惰，這使得UTF-32所需空間接近UTF-16的兩倍和UTF-8的四倍（具體取決于文本中ASCII字符的比例）。

盡管每一個(gè)碼位使用固定長(zhǎng)度的字節(jié)看似方便泥兰，但UTF-32并不如其它Unicode編碼使用廣泛弄屡。與UTF-8及UTF-16相比，UTF-32更容易遭到截?cái)嘈＜词故褂昧?定寬"字體膀捷，在大多數(shù)情況下用UTF-32計(jì)算顯示字符串的寬度也并不比其他編碼更加容易。主要原因是削彬，存在著一個(gè)字符位置會(huì)有多于一種可能的碼點(diǎn)（結(jié)合字符）或一個(gè)碼點(diǎn)用多于一個(gè)字符位置（如CJK表意字符）全庸。結(jié)合符號(hào)也意味著，文書編輯者不能將一個(gè)碼位視同一個(gè)編輯上的單位融痛。

UTF-16編碼

UTF-16使用16位比特對(duì)每個(gè)Unicode碼位進(jìn)行編碼映射壶笼，0號(hào)平面內(nèi)的碼位可以直接映射；其他平面的字符代理至0號(hào)平面的U+D800到U+DFFF（從U+D800到U+DFFF之間的碼位區(qū)段是永久保留不映射到Unicode字符）雁刷。

接下來分析其他平面從U+10000到U+10FFFF的碼位如何映射至0號(hào)平面的U+D800到U+DFFF覆劈。

輔助平面（Supplementary Planes）中的碼位，在UTF-16中被編碼為一對(duì)16比特長(zhǎng)的碼元（即32位沛励，4字節(jié)）责语，稱作代理對(duì)（Surrogate Pair），具體方法是：

1. 碼位減去 0x10000侯勉，得到的值的范圍為20比特長(zhǎng)的 0...0xFFFFF鹦筹。
2. 高位的10比特的值（值的范圍為 0x000...0x3FF）被加上 0xD800 得到第一個(gè)碼元或稱作高位代理（high surrogate），值的范圍是 0xD800...0xDBFF址貌。由于高位代理比低位代理的值要小铐拐，所以為了避免混淆使用，Unicode標(biāo)準(zhǔn)現(xiàn)在稱高位代理為前導(dǎo)代理（lead surrogates）练对。
3. 低位的10比特的值（值的范圍也是 0x000...0x3FF）被加上 0xDC00 得到第二個(gè)碼元或稱作低位代理（low surrogate）遍蟋，現(xiàn)在值的范圍是0xDC00...0xDFFF。由于低位代理比高位代理的值要大螟凭，所以為了避免混淆使用虚青，Unicode標(biāo)準(zhǔn)現(xiàn)在稱低位代理為后尾代理（trail surrogates）。

上述算法可理解為：輔助平面中的碼位從U+10000到U+10FFFF螺男，共計(jì)FFFFF個(gè)棒厘，即2^20 = 1,048,576個(gè)纵穿，需要20位來表示。如果用兩個(gè)16位長(zhǎng)的整數(shù)組成的序列來表示奢人，第一個(gè)整數(shù)（稱為前導(dǎo)代理）要容納上述20位的前10位谓媒，第二個(gè)整數(shù)（稱為后尾代理）容納上述20位的后10位。還要能根據(jù)16位整數(shù)的值直接判明屬于前導(dǎo)整數(shù)代理的值的范圍（2^10 = 1024)何乎，還是后尾整數(shù)代理的值的范圍（也是2^10 = 1024）句惯。因此，需要在基本多語言平面中保留不對(duì)應(yīng)于Unicode字符的2048個(gè)碼位支救，就足以容納前導(dǎo)代理與后尾代理所需要的編碼空間抢野。這對(duì)于基本多語言平面總計(jì)65536個(gè)碼位來說，僅占3.125%各墨。

由于前導(dǎo)代理指孤、后尾代理、BMP中的有效字符的碼位欲主，三者互不重疊邓厕，搜索是簡(jiǎn)單的：一個(gè)字符編碼的一部分不可能與另一個(gè)字符編碼的不同部分相重疊。這意味著UTF-16是自同步（self-synchronizing）的：可以通過僅檢查一個(gè)碼元來判定給定字符的下一個(gè)字符的起始碼元扁瓢。UTF-8也有類似優(yōu)點(diǎn)详恼，但許多早期的編碼模式就不是這樣，必須從頭開始分析文本才能確定不同字符的碼元的邊界引几。

編碼例子：以U+10437編碼（??）為例:

1. 0x10437 減去 0x10000昧互，結(jié)果為0x00437，二進(jìn)制為 0000 0000 0100 0011 0111
2. 分割它的上10位值和下10位值（使用二進(jìn)制）：0000 0000 01 和 00 0011 0111
3. 添加 0xD800 到上值伟桅，以形成高位：0xD800 + 0x0001 = 0xD801
4. 添加 0xDC00 到下值敞掘，以形成低位：0xDC00 + 0x0037 = 0xDC37

最終：U+10437 通過 UTF-16 大尾端為 D801DC37

相比 UTF-32，UTF-16 節(jié)省了一半的空間楣铁，但是不兼容 ASCII 碼玖雁。而已還需要處理小尾端(Little endian) 和 大尾端(Big endian)，后面會(huì)單獨(dú)解釋盖腕。

UTF-8編碼

UTF-8（8-bit Unicode Transformation Format）是一種針對(duì)Unicode的可變長(zhǎng)度字符編碼赫冬，也是一種前綴碼。它可以用一至四個(gè)字節(jié)對(duì)Unicode字符集中的所有有效編碼點(diǎn)進(jìn)行編碼溃列，屬于Unicode標(biāo)準(zhǔn)的一部分劲厌。由于較小值的編碼點(diǎn)一般使用頻率較高，直接使用Unicode編碼效率低下听隐，大量浪費(fèi)內(nèi)存空間补鼻。UTF-8就是為了解決向后兼容ASCII碼而設(shè)計(jì)，Unicode中前128個(gè)字符，使用與ASCII碼相同的二進(jìn)制值的單個(gè)字節(jié)進(jìn)行編碼风范，而且字面與ASCII碼的字面一一對(duì)應(yīng)咨跌，這使得原來處理ASCII字符的軟件無須或只須做少部分修改，即可繼續(xù)使用硼婿。因此虑润，它逐漸成為電子郵件、網(wǎng)頁(yè)及其他存儲(chǔ)或發(fā)送文字優(yōu)先采用的編碼方式加酵。

UTF-8使用一至六個(gè)字節(jié)為每個(gè)字符編碼（盡管如此，2003年11月UTF-8被RFC 3629重新規(guī)范哭当，只能使用原來Unicode定義的區(qū)域猪腕，U+0000到U+10FFFF，也就是說最多四個(gè)字節(jié)）：

1. 128個(gè)US-ASCII字符只需一個(gè)字節(jié)編碼（Unicode范圍由U+0000至U+007F）钦勘。
2. 帶有附加符號(hào)的拉丁文陋葡、希臘文、西里爾字母彻采、亞美尼亞語腐缤、希伯來文、阿拉伯文肛响、敘利亞文及它拿字母則需要兩個(gè)字節(jié)編碼（Unicode范圍由U+0080至U+07FF）岭粤。
3. 其他基本多文種平面（BMP）中的字符（這包含了大部分常用字，如大部分的漢字）使用三個(gè)字節(jié)編碼（Unicode范圍由U+0800至U+FFFF）特笋。
4. 其他極少使用的Unicode 輔助平面的字符使用四至六字節(jié)編碼（Unicode范圍由U+10000至U+1FFFFF使用四字節(jié)剃浇，Unicode范圍由U+200000至U+3FFFFFF使用五字節(jié)，Unicode范圍由U+4000000至U+7FFFFFFF使用六字節(jié)）猎物。

對(duì)上述提及的第四種字符而言虎囚，UTF-8使用四至六個(gè)字節(jié)來編碼似乎太耗費(fèi)資源了。但UTF-8對(duì)所有常用的字符都可以用三個(gè)字節(jié)表示蔫磨，而且它的另一種選擇淘讥，UTF-16編碼，對(duì)前述的第四種字符同樣需要四個(gè)字節(jié)來編碼堤如，所以要決定UTF-8或UTF-16哪種編碼比較有效率蒲列，還要視所使用的字符的分布范圍而定。不過煤惩，如果使用一些傳統(tǒng)的壓縮系統(tǒng)嫉嘀，比如DEFLATE，則這些不同編碼系統(tǒng)間的的差異就變得微不足道了魄揉。

UTF-8編碼規(guī)則：

• 對(duì)于UTF-8編碼中的任意字節(jié)B剪侮，如果B的第一位為0，則B獨(dú)立的表示一個(gè)字符(ASCII碼)；
• 如果B的第一位為1瓣俯，第二位為0杰标，則B為一個(gè)多字節(jié)字符中的一個(gè)字節(jié)(非ASCII字符)；
• 如果B的前兩位為1彩匕，第三位為0腔剂，則B為兩個(gè)字節(jié)表示的字符中的第一個(gè)字節(jié)；
• 如果B的前三位為1驼仪，第四位為0掸犬，則B為三個(gè)字節(jié)表示的字符中的第一個(gè)字節(jié)；
• 如果B的前四位為1绪爸，第五位為0湾碎，則B為四個(gè)字節(jié)表示的字符中的第一個(gè)字節(jié)；

因此奠货，對(duì)UTF-8編碼中的任意字節(jié)介褥，根據(jù)第一位，可判斷是否為ASCII字符递惋；根據(jù)前二位柔滔，可判斷該字節(jié)是否為一個(gè)字符編碼的第一個(gè)字節(jié)；根據(jù)前四位（如果前兩位均為1）萍虽，可確定該字節(jié)為字符編碼的第一個(gè)字節(jié)睛廊，并且可判斷對(duì)應(yīng)的字符由幾個(gè)字節(jié)表示；根據(jù)前五位（如果前四位為1）贩挣，可判斷編碼是否有錯(cuò)誤或數(shù)據(jù)傳輸過程中是否有錯(cuò)誤喉前。

小結(jié)：

比如：嚴(yán)的 Unicode 是4E25（100111000100101）編碼

可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800 - 0000 FFFF），因此嚴(yán)的 UTF-8 編碼需要三個(gè)字節(jié)王财，即格式是1110xxxx 10xxxxxx 10xxxxxx卵迂。然后，從嚴(yán)的最后一個(gè)二進(jìn)制位開始绒净，依次從后向前填入格式中的x见咒，多出的位補(bǔ)0。這樣就得到了挂疆，嚴(yán)的 UTF-8 編碼是11100100 10111000 10100101改览，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5。

關(guān)于小尾端(Little endian) 和 大尾端(Big endian)

UTF-32和UTF-16在不同的計(jì)算機(jī)系統(tǒng)會(huì)以不同的順序保存字節(jié)缤言。這意味著字符U+4E2D在UTF-16編碼方式下可能被保存為4E 2D或者2D 4E宝当，這取決于該系統(tǒng)使用的是大尾端(big-endian)還是小尾端(little-endian)。只要文檔沒有離開你的計(jì)算機(jī)胆萧，它還是安全的——同一臺(tái)電腦上的不同程序使用相同的字節(jié)順序(byte order)庆揩。但是當(dāng)我們需要在系統(tǒng)之間傳輸這個(gè)文檔的時(shí)候俐东，也許在萬維網(wǎng)中，我們就需要一種方法來指示當(dāng)前我們的字節(jié)是怎樣存儲(chǔ)的订晌。不然的話虏辫，接收文檔的計(jì)算機(jī)就無法知道這兩個(gè)字節(jié)4E 2D表達(dá)的到底是U+4E2D還是U+2D4E。

Unicode 規(guī)范定義锈拨，每一個(gè)文件的最前面分別加入一個(gè)表示編碼順序的字符砌庄，這個(gè)字符的名字叫做"零寬度非換行空格"（zero width no-break space），用FEFF表示奕枢。

在UTF-16編碼中娄昆，如果文本文件的頭兩個(gè)字節(jié)是FE FF，就表示該文件采用大尾端缝彬；如果頭兩個(gè)字節(jié)是FF FE稿黄，就表示該文件采用小尾端。

GB2312跌造、Big5、GBK族购、GB18030 字符集

GB2312字符集

GB2312 最早一版的中文編碼壳贪，每個(gè)字占據(jù)兩個(gè)字節(jié)。由于要和ASCII兼容寝杖，那這兩個(gè)字節(jié)最高位不可以為0了（否則和ASCII會(huì)有沖突）违施。在GB2312中收錄了6763個(gè)漢字以及682個(gè)特殊符號(hào)，已經(jīng)囊括了生活中最常用的所有漢字瑟幕。

GB2312中也收錄了英文字母和數(shù)字等符號(hào)（ASCII碼中也有這些符號(hào)）磕蒲，并且仍然是以倆字節(jié)編碼，于是GB2312中的英文字母和數(shù)字等就成了我們平常所說的全角符號(hào)只盹，而ASCII碼的符號(hào)就叫做半角符號(hào)辣往。

Big5字符集

Big5是由臺(tái)灣財(cái)團(tuán)法人信息產(chǎn)業(yè)策進(jìn)會(huì)為五大中文套裝軟件（并因此得名Big-5）所設(shè)計(jì)的中文共通內(nèi)碼，在1983年12月完成公告殖卑。那個(gè)之前還沒有繁體字編碼站削，GB2312又不含繁體字，因此才有了Big-5

GBK字符集

GBK 即漢字內(nèi)碼擴(kuò)展規(guī)范孵稽，K為漢語拼音 Kuo Zhan（擴(kuò)展）中“擴(kuò)”字的聲母许起。英文全稱 Chinese Internal Code Specification。

微軟利用了GB2312中未使用的編碼空間菩鲜，并且收錄了GB13000中的全部字符园细，從而定制了GBK編碼（雖然收錄了GB13000的全部字符，但是編碼方式并不相同）接校，并且實(shí)現(xiàn)于Windows95中文版中猛频。GBK自身并非國(guó)家標(biāo)準(zhǔn)，不過1995年由國(guó)標(biāo)局等機(jī)構(gòu)確定為“技術(shù)規(guī)范指導(dǎo)性文件”。

GBK 共收入 21886 個(gè)漢字和圖形符號(hào)伦乔，包括：

• GB2312 中的全部漢字厉亏、非漢字符號(hào)。
• BIG5 中的全部漢字烈和。
• 與 ISO 10646 相應(yīng)的國(guó)家標(biāo)準(zhǔn) GB 13000 中的其它 CJK 漢字爱只，以上合計(jì) 20902 個(gè)漢字。
• 其它漢字招刹、部首恬试、符號(hào)，共計(jì) 984 個(gè)疯暑。

簡(jiǎn)單地說：GBK是從GB2312擴(kuò)展而來的训柴，支持繁體，并且兼容GB2312妇拯。

GB18030字符集

全稱：國(guó)家標(biāo)準(zhǔn) GB18030-2005《信息技術(shù)中文編碼字符集》

GB2312和GBK都是用兩個(gè)字節(jié)來編碼的幻馁，就算用完所有的位（256*256=65536）也不夠?yàn)樗械臐h字編碼。于是就有了目前最新的GB18030越锈，它采用類似UTF-8的編碼方式進(jìn)行編碼（每個(gè)字符的編碼可以是1仗嗦、2或4個(gè)字節(jié)），擁有上百萬個(gè)編碼空間甘凭，足以支持中日韓三國(guó)所有漢字稀拐，并且還可以支持國(guó)內(nèi)少數(shù)民族的文字。

GB18030 與 GB2312-1980 和 GBK 兼容丹弱，共收錄漢字70244個(gè)德撬。

• 與 UTF-8 相同，采用多字節(jié)編碼躲胳，每個(gè)字可以由 1 個(gè)蜓洪、2 個(gè)或 4 個(gè)字節(jié)組成。
• 編碼空間龐大坯苹，最多可定義 161 萬個(gè)字符蝠咆。
• 支持中國(guó)國(guó)內(nèi)少數(shù)民族的文字，不需要?jiǎng)佑迷熳謪^(qū)北滥。
• 漢字收錄范圍包含繁體漢字以及日韓漢字刚操。

GB18030 編碼是一二四字節(jié)變長(zhǎng)編碼。

• 單字節(jié)再芋，其值從 0 到 0x7F菊霜，與 ASCII 編碼兼容。
• 雙字節(jié)济赎，第一個(gè)字節(jié)的值從 0x81 到 0xFE鉴逞，第二個(gè)字節(jié)的值從 0x40 到 0xFE（不包括0x7F）记某，與 GBK 標(biāo)準(zhǔn)兼容。
• 四字節(jié)构捡，第一個(gè)字節(jié)的值從 0x81 到 0xFE液南，第二個(gè)字節(jié)的值從 0x30 到 0x39，第三個(gè)字節(jié)從0x81 到 0xFE勾徽，第四個(gè)字節(jié)從 0x30 到 0x39滑凉。

iOS 字符長(zhǎng)度問題

回到最開始的問題上，NSString 是采用 UTF-16 進(jìn)行編碼的喘帚，length 方法的返回值也是字符串包含的碼元個(gè)數(shù)（而不是字符個(gè)數(shù)）畅姊，所以這就可以解釋為什么emoji表情的長(zhǎng)度會(huì)有問題。

enumerateSubstringsInRange:options:usingBlock: 方法吹由。這個(gè)方法把 Unicode 抽象的地方隱藏了若未，能讓你輕松地循環(huán)字符串里的組合字符串、單詞倾鲫、行粗合、句子或段落。你甚至可以加上 NSStringEnumerationLocalized 這個(gè)選項(xiàng)乌昔，這樣可以在確定詞語間和句子間的邊界時(shí)把用戶所在的區(qū)域考慮進(jìn)去舌劳。要遍歷單個(gè)字符，把參數(shù)指定為 NSStringEnumerationByComposedCharacterSequences

NSString *s = @"123??????";
NSRange fullRange = NSMakeRange(0, [s length]);
__block NSInteger count = 0;
[s enumerateSubstringsInRange:fullRange
                      options:NSStringEnumerationByComposedCharacterSequences
                   usingBlock:^(NSString *substring, NSRange substringRange, NSRange enclosingRange, BOOL *stop)
{
    count++;
}];
NSLog(@"%ld", count);

/*
輸出：
5
*/

參考資料

• NSString 與 Unicode
• 字符編碼筆記：ASCII玫荣，Unicode 和 UTF-8
• Unicode
• UTF-32
• UTF-16
• GB2312 HZGB2312 BIG5 GBK GB18030
• Emoji 簡(jiǎn)介
• 字符集
• Unicode字符平面映射表
• 中日韓漢字編碼表
• Emoji編碼表