Java 字元編碼入門（六）：Java 中的補充字元與 Surrogate Pair 機制

Java 補充字元完整解析：從 Unicode 碼空間到 Surrogate Pair 實作

Java 聲稱原生支援 Unicode，但直到 JDK 5.0 才真正完整支援補充字元。本文深入解析 Unicode 碼空間劃分、BMP 與補充平面、Surrogate Pair 編碼機制、Code Point 與 Code Unit 差異，並提供實際代碼驗證。

Unicode 碼空間現況

• 範圍：U+0000 ~ U+10FFFF (共 1,114,112 碼位)
• 合法碼位：1,112,064 (扣除 2,048 個 Surrogate 保留區)
• 已分配字元 (Unicode 4.0)：96,382 字元
• BMP (基本多語言平面)：U+0000 ~ U+FFFF (65,536 碼位)
• 補充字元：U+10000 以上

Java 中的補充字元表示

JDK 5.0+ 使用 兩個 char 組成 Surrogate Pair 表示補充字元：

• High Surrogate (高代理)：U+D800 ~ U+DBFF (1,024 碼位)
• Low Surrogate (低代理)：U+DC00 ~ U+DFFF (1,024 碼位)
• 組合總數：1,024 × 1,024 = 1,048,576 字元
• 底層實際以單一 int (32-bit) 儲存

關鍵概念釐清

為何 BMP 實際僅 63,488 字元？

U+D800 ~ U+DFFF (2,048 碼位) 保留給 Surrogate Pair 機制，Unicode 標準與 UTF-16 皆不分配字元 至此區間。此設計使 BMP 字元與單一 char UTF-16 編碼一一對應。

Code Point (碼點) vs Code Unit (碼單元)

一個字元 = 一個 Code Point，但可能佔多個 Code Unit。統一使用 Code Point 指定字元可避免編碼轉換困擾。

實作驗證：補充字元 U+2F81A

String s = String.valueOf(Character.toChars(0x2F81A));
char[] chars = s.toCharArray();
for (char c : chars) {
    System.out.format("%x ", (short) c);
}
// 輸出: d87e dc1a
// d87e = High Surrogate, dc1a = Low Surrogate

核心 API 使用指南

實務注意事項

1. String.length() 回傳 char 數，補充字元算 2，非直觀字元數
2. substring、charAt 以 char 索引操作，可能切斷 Surrogate Pair
3. 資料庫儲存需支援 UTF-16 或 UTF-8 (如 MySQL utf8mb4)
4. 正則表達式使用 \x{1F600} 語法匹配補充字元 (需 Pattern.UNICODE_CHARACTER_CLASS)

結語

理解 Code Point/Code Unit 差異、Surrogate Pair 機制與正確 API 使用，是處理多語言、Emoji、罕見漢字等現代應用的基礎能力。