代理项 Surrogate
代理项（Surrogate），是一种仅在 UTF-16 中用来表示补充字符的方法。在 UTF-16 中，为补充字符分配两个 16 位的 Unicode 代码单元：第一个代码单元，被称为高代理项代码单元或前导代码单元；第二个代码单元，被称为低代理项代码单元或尾随代码单元。这两个代码单元组合在一起，就被称为代理项对。
概述
代理项（Surrogate），是一种仅在 UTF-16 中用来表示补充字符的方法。在 UTF-16 中，为补充字符分配两个 16 位的 Unicode 代码单元：
- 第一个代码单元，被称为高代理项代码单元或前导代码单元；
- 第二个代码单元，被称为低代理项代码单元或尾随代码单元。
这两个代码单元组合在一起，就被称为代理项对。
相关术语
为了能更好地理解“代理项”这一概念，就需要先了解相关的 Unicode 术语：[1]
- 代码点（Code Point）：
- Unicode 代码空间中的任何值，即从 0 到 10FFFF16 的整数范围。但并非所有代码点都分配给编码字符。
- 一个字符在任何编码字符集中的值或位置。
特别说明：[2]
- 高代理项代码点和低代理项代码点，仅指定用于此用途（即字面意义所指的用途，不作他用）。
- 高代理项代码单元和低代理项代码单元，仅在 UTF-16 中使用。
- 代理项对，仅在 UTF-16 中使用。
释义
关于代理项的概念，通俗来讲，就是为补充字符找两个“代理人”。由于补充字符体格壮硕，到了 UTF-16 这个地方就需要占用两个 16 位的座位。为了避免因“占座纠纷”导致意外发生，就需要为补充字符找来两个“代理人”，代替他来占用两个座位，这样就能皆大欢喜了。
- 两个“代理人”，就是高代理项和低代理项。
- 两个“代理人”占用的座位，就是 16 位的高代理项代码单元和低代理项代码单元。
- 两个“代理人”所在的位置，就是高代理项代码点和低代理项代码点。
- 两个“代理人”组合在一起，就是代理项对。
- “代理人”一定是出双入对的。单身的“代理人”是不能表示补充字符的，只能被称为未配对代理项（Unpaired Surrogate）。
代理项仅在 UTF-16 中用来表示补充字符，是指：
- 不在 UTF-8 中使用。补充字符到了 UTF-8 这个地方就需要占用四个 8 位的座位，而实际给补充字符找的是两个 16 位的“代理人”，对不上号。
- 不在 UTF-32 中使用。在 UTF-32 这个地方提供的座位，完全符合补充字符的体形，无需再为其另找“代理人”占座。
- 不表示 BMP 字符。在补充字符没有出现时，并没有“代理人”这一概念，也就是说“代理人”并不是给 BMP 字符找的。
在 Java 中的应用
char 数据类型以及 Character 对象封装的值，都是基于最初的 Unicode 规范，该规范将字符定义为固定宽度的 16 位实体。随着 Unicode 标准的不断更新，超过 16 位的字符已被允许表示。合法代码点的范围已扩展到 U+10FFFF。
在 char 数组、String 类和 StringBuffer 类中，都采用 UTF-16 来表示字符。在这种表示法中，补充字符被表示为一对 char 值，第一个来自高代理项区间（\uD800 – \uDBFF），第二个来自低代理项区间（\uDC00 – \uDFFF）。
因此，char 值可表示 BMP 代码点、代理项代码点或 UTF-16 编码的代码单元。而所有的 Unicode 代码点，包括补充代码点，则用 int 值来表示。int 值中的低 21 位用来表示 Unicode 代码点，而高 11 位必须为零。
1. Unicode 词汇表 ↩︎
2. Unicode 标准 ↩︎
3. Unicode 字符表示法 ↩︎