java 中的编码（二）

UTF-16编码规则：

按照UTF-16编码规则计算下Unicode码位为 U+10002 （十进制：65538）的字符的UTF-16编码表示。

U+10002落在 [U+10000, U+10FFFF] 区间内。其UTF-16编码需要用四字节16位。

1、码位减去0x10000，0x10002 - 0x10000得到 0x02，即 0000000000 0000000010（20位比特）

2、高10位加上0xD800，0x00 + 0xD800得到 0xD800，即 1101 1000 0000 0000 (16位比特)

3、低10位加上0xDC00，0x02 + 0xDC00得到 0xDC02，即1101 1100 0000 0000 (16位比特)

4、所以U+10002的UTF-16编码表示位：0xD800DC02 ，即11011000 00000000 11011100 00000000（32位比特）

通过UTF-16编码，反推其Unicode码位：

1、UTF-16编码：0xD800DC02 ，即11011000 00000000 11011100 00000000（32位）。

2、前两个字节（16位）0xD800  减去 0xD800 得到 0x00，即 00 00000000（10位）

3、后两个字节（16位）0xDC02 减去 0xDC00 得到 0x02，即 00 00000010（10位）

4、0x00 和 0x02组合起来拼成0x02，即 0000 00000000 00000010（20位比特）

5、0x02 加上 0x10000 得到 0x10002，其Unicode码表示为U+10002，十进制即65538。

通过代码查看U+10002的utf-16be编码：

输出：

utf-16be编码
16进制：d8 0 dc 2
====================
2
65538
true
56322
true

由输出可只U+10002的UTF-16BE编码表示是：D8 00 DC 02，由4字节表示。

codePointAt()方法：

 public int codePointAt(int index) {
         if ((index < 0) || (index >= value.length)) {
             throw new StringIndexOutOfBoundsException(index);
         }
         return Character.codePointAtImpl(value, index, value.length);
 }

 ==============================================================================

 static int codePointAtImpl(char[] a, int index, int limit) {
         char c1 = a[index];
         // utf-16四字节编码的字符，第一个码位（16位）的范围是 ['\uD800', '\uDBFF')
         if (isHighSurrogate(c1) && ++index < limit) {
             char c2 = a[index];
             // 第二个码位（16位）的范围是 ['\uDC00', '\uDFFF')
             if (isLowSurrogate(c2)) {
                 return toCodePoint(c1, c2);
             }
         }
         // 2字节UTF-16编码则直接返回该2字节。
         // 4字节UTF-16编码的第二个codePoint则直接返回该4字节中的后2字节。
         return c1;
 }

 ==============================================================================

 public static final char MIN_HIGH_SURROGATE = '\uD800';
 public static final char MAX_HIGH_SURROGATE = '\uDBFF';

 public static final char MIN_LOW_SURROGATE  = '\uDC00';
 public static final char MAX_LOW_SURROGATE  = '\uDFFF';

 public static final int MIN_SUPPLEMENTARY_CODE_POINT = 0x010000;

 ==============================================================================

 public static boolean isHighSurrogate(char ch) {
         // Help VM constant-fold; MAX_HIGH_SURROGATE + 1 == MIN_LOW_SURROGATE
         return ch >= MIN_HIGH_SURROGATE && ch < (MAX_HIGH_SURROGATE + 1);
 }
 public static boolean isLowSurrogate(char ch) {
         return ch >= MIN_LOW_SURROGATE && ch < (MAX_LOW_SURROGATE + 1);
 }

 ==============================================================================

 // 根据4字节（32位）UTF-16编码求Unicode码位（通过UTF-16编码，反推其Unicode码位）
 public static int toCodePoint(char high, char low) {
         // Optimized form of:
         // return ((high - MIN_HIGH_SURROGATE) << 10)
         //         + (low - MIN_LOW_SURROGATE)
         //         + MIN_SUPPLEMENTARY_CODE_POINT;
         return ((high << 10) + low) + (MIN_SUPPLEMENTARY_CODE_POINT
                                        - (MIN_HIGH_SURROGATE << 10)
                                        - MIN_LOW_SURROGATE);
 }
 ==============================================================================

isSupplementaryCodePoint()方法：

 public static final int MIN_SUPPLEMENTARY_CODE_POINT = 0x010000;
 public static final int MAX_CODE_POINT = 0X10FFFF;

 =================================================================
 // 根据Unicode number判断字符是否在增补字符范围
 public static boolean isSupplementaryCodePoint(int codePoint) {
         return codePoint >= MIN_SUPPLEMENTARY_CODE_POINT
             && codePoint <  MAX_CODE_POINT + 1;
 }

小demo，输出字符的Unicode number的十进制形式：

 public class Test {
     public static void main(String[] args) throws UnsupportedEncodingException {
         // str的第二个字符的Unicode码是U+10002
         // 10进制65538
         // UTF-16BE编码二进制11011000 00000000 11011100 00000010
         String str = "A