如何将Unicode码点转换成UTF-8和UTF-16编码？

熟悉Unicode标准的朋友都知道，统一码的码点(又称码值)，在使用往往不是直接使用，而是使用UTF-8或UTF-16或UTF-32编码方法来进行编码后再用。 UTF32编码就是直接用四字节来表示Unicode编码，不足四字节的补0，这样对英文等字符集很小的文字来讲，一个英文字母，在ASCII字符集里只要1个字节就能表达，在UTF32下要四个字节，甚是浪费，因此使用并不多。主要我们能碰到的大都是UTF-8，少部分是UTF-16编码后的Unicode字符。 UTF-16是比较早出现的编码方式，早期用2个字节来表达Unicode编码，它只适用于目前Unicode平面的中的基本平面，也就是很早期Unicode收字比较少的时候。后来标准收集的字符多了，必须得扩容，才发展出用代理对来表达BMP之外的更多的字符。因此，对于BMP部分的Unicode字符，UTF-16编码就是它自身的码点，不足2字节的高位加0来补齐，适用于0xFFFF以下的字符。对于BMP部分之外的5位hex值的字符码点(目前标准还没有6位hex的码值)，以四个字节来表达，高位2字节用D800~DBFF，低位两字节用DC00~DFFF组合来表达。为了表达成这样，数字需要经过一定的转换，转换的规则有兴趣的可以网上搜索一下，这里不赘述，在下面的代码中体现。 UTF8根据字符码点大小的不同，分成不同字节数来表示。在0x7F以下的用一个字节，也就是它自身的编码来表示。 0x80~0x7FF之间的用两个字节来表示，0x800~0xFFFF之间 的用三个字节来表示，大部分常用汉字处于0x4e00~0x9FFF之间，因此大部分常用汉字的UTF8编码，都是三个字节长度; 更大一点，0x10000~0x1FFFFF这个区间的字符，其UTF8编码就需要用四个字节来表示，比如𰻝𰻝面的𰻝字，罕用的姓氏“𲰹“。 UTF-8 或UTF-16编码后的字符，在存放到文件中时，还有一个大端序和小端序的问题，其实就是字节在内存空间排列的顺序选择。比如UTF-8编码后的“丁“字是E4B881,这是一个3字节的十六进制数。E4这一侧称为数字的高位，81称为这一数字的低位。这个数字存放在内存(或文件中)如果按地址从小到大，依次是 E4 B8 81，这种排列与人们阅读时从高到低的习惯相符，称为大端序(big Endian,缩写BE)。 如果存放时低位在低地址，高位在高地址，依次是81 B8 E4，这种排列顺序就是小端序(Little Endian,缩写LE)。BE与LE的排列顺序正好是相反的。 大端序常用于网络通信（网络字节序）和某些文件格式，因为它更符合人类的阅读习惯。但现代处理器中更多的是小端序，如x86、ARM等芯片，因为它在处理器设计中效率更高。 为了练习一下位的操作并巩固下Unicode编码之UTF-8，UTF-16的计算方式，写了个简易的小程序，注意这里面用的都是Unicode码点(16进制数字)而非字符本身。