Unicode 词汇表

美国信息交换标准代码。7位编码，涵盖128个字符（0–127），包括控制字符、数字、拉丁字母和基本符号。

Visual art created from text characters, originally limited to the 95 printable ASCII characters. Unicode expands the palette with box-drawing …

Binary-to-text encoding that represents binary data using 64 ASCII characters (A–Z, a–z, 0–9, +, /). Used for embedding binary data …

主要在台湾和香港使用的繁体中文字符编码，收录约13,000个CJK字符。

扩展二进制编码十进制交换码。IBM大型机编码，字母范围不连续，至今仍用于银行和企业大型机。

基于KS X 1001的韩语字符编码，将韩文音节和汉字映射为双字节序列。

简体中文字符编码系列：GB2312（6,763字）经GBK演化为GB18030，成为与Unicode兼容的中国强制性国家标准。

由IANA维护的字符编码名称官方注册表，用于HTTP Content-Type头和MIME（如charset=utf-8）。

针对不同语言组的8位单字节编码系列，ISO 8859-1（Latin-1）是Unicode前256个码位的基础。

将单字节ASCII/JIS罗马字与双字节JIS X 0208汉字相结合的日语字符编码，仍在传统日语系统中使用。

仅覆盖BMP（U+0000–U+FFFF）的废弃固定2字节编码，是UTF-16的前身，无法表示补充字符。

使用1或2个16位码元（2或4字节）的可变长度Unicode编码，在Java、JavaScript和Windows内部使用。

每字符固定使用4字节的Unicode编码，简单但空间效率低，在Python 3（CPython）内部使用。

每字符使用1至4字节的可变长度Unicode编码，是Web的主流编码（超过98%的网站），并与ASCII完全向后兼容。

微软对ISO 8859-1的超集，在0x80–0x9F范围内增加了弯引号、破折号和欧元符号，是最常见的传统拉丁编码。

将字符映射为字节序列以供数字存储和传输的系统。每个文本文件都有编码，关键在于是否正确声明了该编码。

放置在文本流开头以指示字节序和编码的U+FEFF。对UTF-16/32是必需的，对UTF-8是可选的且不推荐使用。

中日韩——Unicode中统一汉字区块及相关文字系统的统称，CJK统一表意文字包含20,992个以上字符。

The process of mapping Chinese, Japanese, and Korean ideographs that share a common historical origin to a single Unicode code …

The individual consonant and vowel components (jamo) of the Korean Hangul writing system. Unicode encodes both precomposed Hangul syllables (U+AC00–U+D7A3) …

与Unicode同步的国际标准（ISO/IEC 10646），定义相同的字符集和码位，但不包含Unicode额外的算法和属性。

为每种书写系统中的每个字符分配唯一编号（码位）的通用字符编码标准，16.0版本包含154,998个已分配字符。

Normative or informative documents that are integral parts of the Unicode Standard. UAX#9 (Bidi Algorithm), UAX#11 (East Asian Width), UAX#15 …

Informational documents published by the Unicode Consortium covering specific topics like security mechanisms (UTR#39), text segmentation (UTR#29), and line breaking …

定义所有Unicode字符属性的机器可读数据文件集合，包括UnicodeData.txt、Blocks.txt、Scripts.txt等。

除代理码位（U+D800–U+DFFF）之外的所有码位，是可表示实际字符的有效值集合，共1,112,064个。

Unicode标准的主要版本，每次发布均新增字符、文字系统和功能，当前版本为Unicode 16.0（2025年9月）。

保证字符一旦分配，其码位和名称永不更改的策略。属性可以精化，但分配是永久性的。

开发和维护Unicode标准的非营利组织，成员包括Apple、Google、Microsoft、Meta等。

专为UTF-16代理对保留的码位U+D800–U+DFFF，不是有效的Unicode标量值，不应作为独立字符出现。

为未来标准化预留的码位，有别于非字符（永久保留）和私用区域（用户可分配）。

第0平面（U+0000–U+FFFF），包含最常用的字符，如拉丁、希腊、西里尔、CJK、阿拉伯字符及大多数符号，此平面的字符可用单个UTF-16码元表示。

在某个Unicode版本中已被赋予字符指定的码位。截至Unicode 16.0，1,114,112个码位中有154,998个已被分配。

由65,536个连续码位构成的区块。Unicode有17个平面（0–16）：第0平面是BMP，第1平面是SMP（表情符号、历史文字），第2平面是SIP（CJK扩展）。

用于组织、控制或表示文本数据的信息单位，是在获得码位之前的概念性实体。

在任何Unicode版本中均未分配字符的码位，归类为Cn（未分配），可能在未来版本中被分配。

Unicode码空间（U+0000至U+10FFFF）中的数值，写作U+XXXX，并非所有码位都已分配字符。

编码的最小单位：UTF-8中为8位字节，UTF-16中为16位字，UTF-32中为32位字。一个字符可能需要多个码元。

所有可能的Unicode码位范围：U+0000至U+10FFFF（共1,114,112个），分为17个平面，每个平面含65,536个码位。

供组织分配自有字符的保留区域，包括BMP私用区（U+E000–U+F8FF）以及第15和第16平面中的补充私用区。

第1至16平面（U+10000–U+10FFFF），包含表情符号、历史文字、CJK扩展和乐谱等，在UTF-16中需要代理对表示。

永久保留供内部使用的码位（共66个）：各平面的U+FDD0–U+FDEF及U+nFFFE/U+nFFFF。在文本中有效，但不应对外交换。

字符首次被分配时所在的Unicode版本，有助于判断各系统和软件版本的字符支持情况。

Unicode property (UAX#11) classifying characters as Narrow, Wide, Fullwidth, Halfwidth, Ambiguous, or Neutral. Wide characters (CJK ideographs, katakana) occupy two …

Unicode property controlling how Arabic and Syriac characters connect to adjacent characters. Types include Right_Joining, Left_Joining, Dual_Joining, and Non_Joining.

Unicode property listing all scripts that use a character, broader than the single-valued Script property. Common characters like digits have …

将每个码位归入30个类别（Lu、Ll、Nd、So等）之一的分类体系，分为7大类：字母、标记、数字、标点、符号、分隔符和其他。

具有相同抽象内容但外观可能不同的两个字符序列，比规范等价更宽泛，例如fi ≈ fi，² ≈ 2。

将字符映射为其组成部分的过程。规范分解保留语义（é → e + ◌́），兼容分解可能改变语义（fi → fi）。

命名的连续码位范围（如基本拉丁文 = U+0000–U+007F）。Unicode 16.0定义了336个区块，每个码位恰好属于一个区块。

决定字符在双向文本中（LTR、RTL、弱、中性）行为方式的属性，由Unicode双向算法用于确定显示顺序。

由于稳定性策略规定Unicode名称不可更改，因此提供字符的备用名称，用于更正、缩写和别名。

将字符在大写、小写和标题大小写之间转换的规则，可能因区域设置而异（土耳其语I问题），也存在一对多映射（ß → SS）。

用户感知的“字符”——感觉上是单个单位，可由多个码位组成（基字符加组合标记，或表情符号ZWJ序列）。👩‍💻 = 3个码位，1个字素。

字符的数值解释（如适用）：数字值（0–9）、十进制值或一般数字值（如½ = 0.5，Ⅳ = 4）。

字符所属的书写系统（如拉丁文、西里尔文、汉字）。Unicode 16.0定义了168种文字系统，Script属性是安全检测和混合文字系统检测的关键。

用于组织和阐明书面语言的字符，包括句号、逗号、破折号、引号等，Unicode一般类别P涵盖所有标点符号。

控制正则分解过程中组合标记排序的数值（0–254），决定哪些组合标记可以重新排序。

语义上完全相同、应被视为等价的两个字符序列，例如é（U+00E9）≡ e + ◌́（U+0065 + U+0301）。

在RTL上下文中字形应水平翻转的字符，例如 ( → )、[ → ]、{ → }、« → »。

在不支持它们的处理过程中无可见效果、可被忽略的字符，包括变体选择符、零宽字符和语言标签。

Mapping characters to a common case form for case-insensitive comparison. More comprehensive than lowercasing: German ß → ss, Turkish İ …

Rules (UAX#29) for determining where one user-perceived character ends and another begins. Critical for cursor movement, text selection, and correctly …

规范化形式C：先分解再规范合成，生成最短形式，推荐用于数据存储和交换，是Web标准形式。

规范化形式D：完全分解而不重新合成，macOS HFS+文件系统使用此形式。é（U+00E9）→ e + ◌́（U+0065 + U+0301）。

规范化形式KC：兼容分解后再规范合成，合并视觉上相似的字符（fi→fi、²→2、Ⅳ→IV），用于标识符比较。

规范化形式KD：兼容分解而不重新合成，是最激进的规范化方式，会丢失最多的格式信息。

Comparing Unicode strings requires normalization (NFC/NFD) and optionally collation (locale-aware sorting). Binary comparison of code points alone gives incorrect results …

利用字符双向类别和明确方向覆盖，确定混合方向文本（如英语+阿拉伯语）显示顺序的算法。

根据字符属性、CJK词边界和换行时机，确定文本可换至下一行位置的规则。

通过多级比较（基础字符→变音符号→大小写→决胜符）对Unicode字符串进行比较和排序的标准算法，支持区域设置自定义。

查找文本中各类边界的算法：字素簇、词和句子边界，对光标移动、文本选择和文本处理至关重要。

将Unicode文本转换为标准规范形式的过程，包含四种形式：NFC（合成）、NFD（分解）、NFKC（兼容合成）、NFKD（兼容分解）。

按照Unicode规则确定的句子间位置，比按句号分割更复杂，能正确处理缩写（Mr.）、省略号（...）和小数点（3.14）。

为防止非首位分解并确保算法稳定性而从规范合成（NFC）中排除的字符，列于CompositionExclusions.txt中。

由Unicode词边界规则确定的词间位置，不是简单地按空格分割，而是正确处理CJK（无空格）、缩写和数字。

CSS @font-face descriptor specifying which Unicode code points a font should cover. Enables downloading only the font subset needed for …

The mechanism by which a rendering engine substitutes glyphs from a secondary font when the primary font lacks coverage for …

Modern font format developed by Microsoft and Adobe supporting up to 65,535 glyphs, advanced typographic features (ligatures, alternates, kerning), and …

字符从右向左流动的文本方向，用于阿拉伯语、希伯来语、塔阿纳等文字，正确显示需要双向算法。

Fonts downloaded by the browser to render text, declared via CSS @font-face. WOFF2 is the standard format. Unicode subsetting and …

U+00A0，防止在该位置换行的空格。HTML中为 ，用于数字与单位之间（100 km）、专有名词（Mr. Smith）和缩写之后。

全角（Em）：等于字号的宽度；半角（En）：全角的一半，用于定义全角破折号宽度、全角空格、半角空格和CSS单位（1em、0.5em）。

附加在字母上以改变发音或意义的符号，可以是预组合形式（é U+00E9）或组合形式（e + ◌́ U+0065+U+0301），包括重音、变音符、软音符和波浪号等。

特定大小、字重和样式的字型实现，在数字排版中指包含字形定义和度量的字体文件（TTF、OTF、WOFF2）。

字体渲染的字符视觉表现形式。一个字符可有多个字形（连字、上下文形式），一个字形也可表示多个字符。

为视觉美观而调整特定字符对（如AV、To、LT）之间间距的操作，是字体特性而非Unicode概念，但会影响Unicode文本的渲染。

高度与小写字母相同的大写字形，CSS写法为font-variant: small-caps，Unicode在拉丁扩展区（ᴀ–ᴢ）中也有实际的小型大写字母。

括住直接引语或引文的成对标点，Unicode包含直角引号（″″）、弯引号（）、书名号（« »）、CJK角括号（「」）及各地区特定形式。

U+2026水平省略号（…），代替三个句号的单个字符，排版上更规范，计为1个字符而非3个。

用于分隔句子部分或表示范围的标点，Unicode定义了多种破折号：连字符（‐）、半角破折号（–）、全角破折号（—）、数字破折号（‒）等。

表示水平或垂直空间但无可见字形的字符，Unicode定义了17种以上具有不同宽度和换行行为的空白字符。

附着在前一个基字符上并修改它的字符，一般类别为Mn（非空白）、Mc（空白组合）、Me（包围），例如◌́（U+0301组合锐音符）。

将两个或多个字符合并为一个字形，可以是排版连字（通过OpenType的fi → fi）或Unicode字符（fi U+FB01）。阿拉伯文字使用强制连字。

前进宽度为零的字符——在渲染中不可见但影响文本行为，包括ZWSP（词边界）、ZWJ（连接）、ZWNJ（阻止连接）和WJ（阻止换行）。

Windows输入法，通过Alt+数字键盘数字按代码页编号输入字符（Alt+0169 → ©，Alt+0176 → °），仅限代码页1252中的字符。

A system-level tool for browsing and inserting Unicode characters. macOS Character Viewer (Ctrl+Cmd+Space), Windows Character Map (charmap.exe), and Linux gucharmap …

通过Unicode码位输入字符的任何方法：十六进制输入（Mac）、Ctrl+Shift+U输入U+XXXX（Linux）或Alt+X（Windows应用程序）。

通过输入十六进制值直接输入Unicode码位的方法。Mac：按住Option+十六进制值+松开；Windows：在Word/WordPad中输入十六进制后按Alt+X。

用于浏览和插入Unicode字符的图形工具。Windows：charmap.exe；Mac：字符查看器（Control+Command+Space）；Linux：gucharmap。

用于可视化浏览和选择字符的UI组件（原生或网页版），移动端的表情符号选取器是最常见的例子。

按下后不立即输出但会修饰下一次击键的按键，用于输入变音符号：按下`再按e可输入è，常见于欧洲键盘布局。

启动多键组合序列的按键（通常为右Alt或自定义映射），是Linux/Unix功能：Compose + a + e → æ，可通过XCompose配置。

通过拼音或字形匹配将按键序列转换为字符的软件组件，使用户能够用标准键盘输入复杂字符（如CJK、韩文等）。

声明响应字符编码的HTTP头参数（Content-Type: text/html; charset=utf-8），优先级高于文档内的编码声明。

通过::before和::after伪元素使用Unicode转义插入生成内容的CSS属性：content: '\2713'可插入✓。

CSS properties (direction, writing-mode, unicode-bidi) controlling text layout direction. Works with Unicode Bidi Algorithm for mixed LTR/RTL content in web …

HTML中字符的文本表示方式，有三种形式：命名（&）、十进制（&）、十六进制（&），对于与HTML语法冲突的字符是必需的。

ECMAScript Internationalization API providing locale-aware string comparison (Collator), number formatting (NumberFormat), date formatting (DateTimeFormat), and segmentation (Segmenter).

将Unicode域名转换为xn--前缀ASCII字符串的ASCII兼容编码，例如münchen.de → xn--mnchen-3ya.de。

CSS supports Unicode via escape sequences (\2713 for ✓), the content property for generated text, unicode-range for font subsetting, and …

XML版本的数字字符引用：✓或✓，XML只有5个命名实体（& < > " '），而HTML5有2,231个。

选择特定字形变体的字符（U+FE00–U+FE0F、U+E0100–U+E01EF），VS15（U+FE0E）表示文本呈现，VS16（U+FE0F）表示表情符号呈现。

使用人类可读名称的HTML实体：© → ©，— → —。HTML5定义了2,231个命名引用，且区分大小写。

包含非ASCII Unicode字符的域名，内部以Punycode（xn--...）存储，但向用户显示为Unicode，安全隐患：同形字攻击。

使用Unicode码位编号的HTML实体：十进制（© → ©）或十六进制（© → ©），与命名引用不同，可用于任何Unicode字符。

通常使用变体选择符15（U+FE0E）将字符渲染为纯单色文本字形，而非彩色的表情符号默认呈现。

将URL中的非ASCII字符和保留字符替换为%XX编码，先转为UTF-8字节再对每个字节进行百分号编码：é → %C3%A9。

通常使用变体选择符16（U+FE0F）将字符渲染为彩色表情符号字形，部分字符默认以表情符号呈现，其他则默认以文本呈现。

U+2060，防止换行的零宽字符，是U+FEFF（BOM）作为零宽不换行空格的现代替代品。

Java strings use UTF-16 internally. char is 16-bit (only BMP). For supplementary characters, use codePointAt() and Character.toChars(). Java's \uXXXX escapes …

Python 3 uses Unicode strings by default (str = UTF-8 internally via PEP 393). Key features: \N{name} escapes, unicodedata module, …

Rust strings (str/String) are guaranteed valid UTF-8. char type represents a Unicode scalar value (4 bytes). Iteration via .chars() yields …

使用Unicode属性的正则表达式模式：\p{L}（任意字母）、\p{Script=Greek}（希腊文字）、\p{Emoji}，各语言和正则引擎的支持程度不同。

在源代码中表示Unicode字符的语法，各语言不同：\u2713（Python/Java/JS）、\u{2713}（JS/Ruby/Rust）、\U00012345（Python/C）。

无可见字形的字符：空白、零宽字符、控制字符和格式字符，可能引发欺骗和文本隐写等安全问题。

用错误编码解码字节时产生的乱码文本，来自日语词“文字化け”。例如：'café'以UTF-8存储但用Latin-1读取，显示为'café'。

在UTF-16中一起编码补充字符的两个16位码元（高代理U+D800–U+DBFF + 低代理U+DC00–U+DFFF），😀 = D83D DE00。

编程语言中的字符序列，内部表示各异：UTF-8（Go、Rust、新版Python）、UTF-16（Java、JavaScript、C#）或UTF-32（Python）。

Unicode字符串的“长度”取决于计量单位：码元（JavaScript .length）、码位（Python len()）或字素簇。👨‍👩‍👧‍👦 = 7个码位，1个字素。

U+FFFD（�），解码器遇到无效字节序列时显示的字符——“解码出错”的通用符号。

U+0000（NUL），第一个Unicode/ASCII字符，在C/C++中用作字符串终止符，安全隐患：空字节注入可能在易受攻击的系统中截断字符串。

编码将字符转换为字节（str.encode('utf-8')），解码将字节转换为字符（bytes.decode('utf-8')），正确处理可防止乱码。

Exploiting Unicode bidirectional control characters to disguise malicious code or filenames. The 'Trojan Source' attack (CVE-2021-42574) uses bidi overrides to …

在域名中使用视觉上相似的Unicode字符来冒充合法网站的攻击，аpple.com（西里尔а）看起来像apple.com，浏览器通过Punycode显示规则加以防范。

Exploiting Unicode normalization to bypass security filters. Input validated before normalization may change form after: 'fi' (U+FB01) normalizes to 'fi', …

利用Unicode功能欺骗用户：同形字用于假冒域名，双向覆盖用于伪造文件扩展名，不可见字符用于隐藏文本。

利用Unicode双向覆盖字符（U+202A–U+202E、U+2066–U+2069）伪装恶意文件名或代码的攻击，'readme‮fdp.exe'显示为'readmeexe.pdf'。

来自不同文字系统但外观相同或非常相似的字符，如拉丁'a'与西里尔'а'，用于网络钓鱼、欺骗和社会工程学攻击。

Unicode对视觉上可能混淆的字符对的官方术语，定义于confusables.txt（UCD），比同形字范围更广，包含仅仅相似而非完全相同的字符。

识别混合不同文字系统字符的文本（如拉丁文+西里尔文），是防御同形字攻击的主要手段，浏览器据此触发Punycode显示。

U+200D，请求相邻字符连接，是表情符号序列的关键（👩+ZWJ+💻=👩‍💻），在印度文字中请求形成连字，也可用于隐藏文本边界。

U+200C，阻止相邻字符连接，在波斯语/阿拉伯语中对正确字母形式是必需的，也用于梵文中阻止连字。

起源于日本手机的图形Unicode字符，现有3,790多个表情符号分布在多个区块（表情、杂项符号与象形文字、交通等）。

Multi-character emoji constructed by combining base emoji with modifiers, ZWJ characters, or variation selectors. Types include keycap sequences (#️⃣), flag …

Five Fitzpatrick scale modifiers (U+1F3FB–U+1F3FF, 🏻–🏿) that change human emoji skin color. Applied by appending the modifier after a base …

26个字符（U+1F1E6–U+1F1FF，🇦–🇿），按照ISO 3166-1国家代码成对组合形成国旗表情符号，🇺+🇸 = 🇺🇸。

由多个表情符号通过零宽连接符（U+200D）组合而成的表情符号，👨‍👩‍👧‍👦 = 男人+ZWJ+女人+ZWJ+女孩+ZWJ+男孩，目前定义了约600个ZWJ序列。

紧跟在人形表情符号后面以改变肤色的菲茨帕特里克色度修饰符（U+1F3FB–U+1F3FF）。

控制文本处理的不可打印字符。C0（U+0000–U+001F）：NUL、TAB、LF、CR、ESC；C1（U+0080–U+009F）：在现代Unicode中极少使用。一般类别：Cc。