BMP

BMP 是 Basic Multilingual Plane 的缩写，中文通常翻译为 基本多语言平面。

它是 Unicode 字符集中的第一个也是最重要的一个“平面”（Plane）。

Unicode 的“平面”概念：

Unicode 字符集非常庞大，为了管理和组织海量的字符，它将字符空间划分为 17 个“平面”，每个平面可以容纳 216=65,536216=65,536 个字符。这些平面从 0 到 16 编号。

• 平面 0： 就是 BMP (Basic Multilingual Plane)。
• 平面 1： SMP (Supplementary Multilingual Plane)，辅助多语言平面。
• 平面 2： SIP (Supplementary Ideographic Plane)，辅助表意文字平面。
• …等等。

基本多语言平面 (BMP) 的特点：

1. 范围： BMP 包含的 Unicode 码点范围是 U+0000 到 U+FFFF。
2. 核心字符集： 它是 Unicode 的核心，包含了世界上绝大多数常用字符，包括：
   • 拉丁字母 (ASCII, 扩展拉丁字母)
   • 希腊字母
   • 西里尔字母
   • 阿拉伯字母
   • 希伯来字母
   • 中文、日文、韩文的绝大部分常用汉字 (CJK Unified Ideographs)
   • 假名、谚文
   • 各种标点符号、数学符号、货币符号
   • 常用控制字符
3. 历史原因： 之所以称之为“基本”，是因为在 Unicode 标准的早期阶段，人们认为这 65,536 个字符足以涵盖世界上几乎所有需要计算机处理的字符。后来发现，为了收录更多的历史文字、生僻字、表情符号等，还需要扩展到更多的平面。
4. UTF-16 的优势： 对于 BMP 中的字符，UTF-16 编码使用固定的 2 个字节来表示。这使得在处理这些字符时，UTF-16 显得相对高效和简洁。这也是为什么许多编程语言（如 Java、JavaScript）在内部使用 UTF-16 来表示字符串，因为它们的大部分处理都集中在 BMP 字符上。
5. UTF-8 的表示： BMP 中的字符在 UTF-8 中通常使用 1、2 或 3 个字节表示。
   • U+0000 到 U+007F (ASCII) 使用 1 字节。
   • U+0080 到 U+07FF 使用 2 字节。
   • U+0800 到 U+FFFF (包括大部分 CJK 汉字) 使用 3 字节。

超出 BMP 的字符：

那些不在 BMP 中的字符（即码点大于 U+FFFF 的字符，位于平面 1 到 16）被称为辅助平面字符。它们包括：

• 生僻汉字： 很多非常古老或不常用的汉字。
• 表情符号 (Emoji)： 大部分现代表情符号都位于辅助平面。
• 历史文字： 如古埃及象形文字、楔形文字等。
• 某些数学符号和音乐符号。

这些辅助平面字符在 UTF-16 中需要使用 4 个字节（通过代理对机制）来表示，而在 UTF-8 中则需要 4 个字节来表示。UTF-32 则始终使用 4 个字节表示所有字符，无论是否在 BMP 中。