A Unicode-karakterek elhelyezkedése

A Unicode 1 114 112 (= 2²⁰ + 2¹⁶ vagy 17 × 2¹⁶, hexadecimálisan 110000) kódérték számára biztosít helyet.

A Unicode 5.0.0 esetében a kódértékek közül 101 063 (9,1%) karakterekhez van hozzárendelve, 137 468 (12,3%) van fenntartva saját használatra, a maradék 875 441 (78,6%) szabad. A karakterekhez rendelt kódértékek közül:

98 884 a graféma

140 a formázó karakter

65 a vezérlő karakter és

2 048 az úgynevezett pótló karakter.

Az első 256 kód megegyezik az ISO 8859-1 kiosztásával – az egyik legismertebb karakterkódolási szabvány a nyugati nyelvekre. Végeredményben az első 128 karakter megegyezik az ASCII karaktereivel.

A Unicode-karakterek számára fenntartott kódterület 17 lapra (plane) van felosztva, minden egyes lap 65 536 (= 2¹⁶) kódpontot tartalmaz, azonban jelenleg csak néhány lap van használatban:

• 0. lap (0000–FFFF): Alap többnyelvű lap - Basic Multilingual Plane (BMP)
• 1. lap (10000–1FFFF): Kiegészítő többnyelvű lap – Supplementary Multilingual Plane (SMP)
• 2. lap (20000–2FFFF): Kiegészítő lap a szókép lapokhoz – Supplementary Ideographic Plane (SIP)
• 3. laptól a 13. lapig (30000–DFFFF) nem használt
• 14. lap (E0000–EFFFF): Kiegészítő lap a speciális felhasználású laphoz – Supplementary Special-purpose Plane (SSP)
• 15. lap (F0000–FFFFF) saját használatú terület céljára fenntartva – Private Use Area (PUA)
• 16. lap (100000–10FFFF) saját használatú terület céljára fenntartva – Private Use Area (PUA)

A 2²⁰ feletti kódpontok (nem értve ide a 16. lapot) azért vannak, hogy biztosítsák a kompatibilitást az UTF-16 kódolással, amely címei ebbe a tartományba esnek (lásd később). Jelenleg a Unicode-kódterület mintegy 10%-a van kihasználva. A jövőben a különféle karaktertartományokat feltöltik az ismert írásokkal (lásd: [1]), és lehetséges, hogy szüksége lesz a Unicode-nak egy másik lapra a szóképek kezelésére, de van tíz nem használt lap még arra a célra, ha előre nem látott, eddig ismeretlen írások bukkannának fel. Jelenleg úgy látszik, hogy a 21 bites korlátot a Unicode a közeljövőben nem fogja meghaladni.

Alap többnyelvű lap

Az első lap (Nulladik lap), az Alap többnyelvű lap - Basic Multilingual Plane, (BMP) - az, amelyen a legtöbb karakterkód található. A BMP főként a modern nyelvek karaktereit tartalmazza, valamint nagy számú speciális karaktert is. A BMP-ben legtöbb "helyet" a kínai, japán és koreai (CJK) karakterek foglalják el.

Az alap többnyelvű lap térképe. Minden számozott négyzet 256 kódértéket jelöl.

A jobb oldali képen az Alap többnyelvű lap (BMP) kiosztásának vizuális képe látható. A használt színek jelentései:

•  fekete  = Latin írás és szimbólumok
•  világoskék  = Nyelvészeti karakterek
•  kék  = Egyéb európai írások
•  narancssárga  = Közép-Kelet és délnyugat-ázsiai írások
•  világosnarancs  = Afrikai írások
•  zöld  = Dél-ázsiai írások
•  bíbor  = délkelet-ázsiai írások
•  piros  = Kelet-ázsiai írások
•  világospiros  = Egyszerűsített CJK Han
•  sárga  = Aborigin írások
•  lila  = Szimbólumok
•  sötét szürke  = Diakritikus jelek
•  világosszürke  = UTF-16 pótlók és saját használatra fenntartott
•  cián  = Vegyes karakterek
•  fehér  = Nem használt

2005-ben a BMP a következő írásokat és/vagy nyelveket kezeli (a megadott számok hexadecimális értékek):

• latin alap (0000–007F)
• latin-1 kiegészítés (0080–00FF)
• latin A-bővítéssel (0100–017F)
• latin B-bővítéssel (0180–024F)
• IPA bővítések (0250–02AF)
• fonetikus jelek (02B0–02FF)
• kombinált diakritikus jelek (0300–036F)
• görög és kopt (0370–03FF)
• cirill (0400–04FF)
• cirill kiegészítés (0500–052F)
• örmény (0530–058F)
• héber (0590–05FF)
• arab (0600–06FF)
• szír (0700–074F)
• arab kiegészítés (0750–077F)
• thaana (0780–07BF)
• n’ko (07C0–07FF)
• szamaritán (0800–083F)
• mandai (0840–085F)
• Indiai írások:
  • dévanágari (0900–097F)
  • bengáli (0980–09FF)
  • gurmukhi (0A00–0A7F)
  • gudzsarati (0A80–0AFF)
  • orija (0B00–0B7F)
  • tamil (0B80–0BFF)
  • telugu (0C00–0C7F)
  • kannada (0C80–0CFF)
  • malajálam (0D00–0D7F)
  • szingaléz (0D80–0DFF)
• thai (0E00–0E7F)
• lao (0E80–0EFF)
• tibeti (0F00–0FFF)
• burmai (1000–109F)
• grúz (10A0–10FF)
• hangul jamo (1100–11FF)
• etióp (1200–137F)
• etióp kiegészítés (1380–139F)
• cseroki (13A0–13FF)
• egyszerűsített kanadai bennszülött jelek (1400–167F)
• ogham (1680–169F)
• rúnaírás (16A0–16FF)
• Fülöp-szigeti írások:
  • tagalog (1700–171F)
  • hanunóo (1720–173F)
  • buhid (1740–175F)
  • tagbanwa (1760–177F)
• khmer (1780–17FF)
• mongol (1800–18AF)
• limbu (1900–194F)
• tai le (1950–197F)
• új tai lü (1980–19DF)
• khmer szimbólumok (19E0–19FF)
• buginéz (1A00–1A1F)
• lanna (1A20–1AAF)
• szundanéz (1B80–1BBF)
• fonetikus kiegészítések (1D00–1D7F)
• fonetikus bővítések kiegészítései (1D80–1DBF)
• kombinált diakritikus jelek kiegészítései (1DC0–1DFF)
• latin bővítések kiegészítései (1E00–1EFF)
• bővített görög(1F00–1FFF)
• szimbólumok:
  • általános elválasztó jelek (2000–206F)
  • alsó- és felsőindexek (2070–209F)
  • pénzjelek (20A0–20CF)
  • kombinált diakritikus jelek szimbólumokhoz (20D0–20FF)
  • betűszerű szimbólumok (2100–214F)
  • szám formátumok (2150–218F)
  • nyilak (2190–21FF)
  • matematikai műveleti jelek (2200–22FF)
  • vegyes technikai jelek (2300–23FF)
  • Irányító képek – Control Pictures (2400–243F)
  • OCR karakterek (2440–245F)
  • Enclosed Alphanumerics (2460–24FF)
  • rajz dobozok (2500–257F)
  • blokk szimbólumok(2580–259F)
  • geometrikus alakzatok (25A0–25FF)
  • vegyes szimbólumok (2600–26FF)
  • Dingbats (2700–27BF)
  • vegyes matematikai szimbólumok-A (27C0–27EF)
  • nyilak-A kiegészítés (27F0–27FF)
  • Braille jelek (2800–28FF)
  • nyilak-B kiegészítés (2900–297F)
  • vegyes matematikai szimbólumok-B (2980–29FF)
  • kiegészítő matematikai műveleti jelek (2A00–2AFF)
  • vegyes szimbólumok és nyilak (2B00–2BFF)
• glagolita (2C00–2C5F)
• Latin C-bővítéssel (2C60–2C7F)
• kopt (2C80–2CFF)
• grúz kiegészítések(2D00–2D2F)
• tifinagh (2D30–2D7F)
• bővített etióp (2D80–2DDF)
• elválasztó jelek kiegészítés (2E00–2E7F)
• CJK gyökök kiegészítése (2E80–2EFF)
• kangxi gyökök (2F00–2FDF)
• ideografikus leíró karakterek(2FF0–2FFF)
• CJK szimbólumok és elválasztók (3000–303F)
• hiragana (3040–309F)
• katakana (30A0–30FF)
• kínai nyelv (3100–312F)
• hangul Compatibility Jamo (3130–318F)
• kanbun (3190–319F)
• bopomofo bővítés (31A0–31BF)
• CJK ecsetvonások (31C0–31EF)
• katakana fonetikus bővítések (31F0–31FF)
• Enclosed CJK Letters and Months (3200–32FF)
• CJK kompatibilis (3300–33FF)
• CJK egyszerűsített szókép bővítés A (3400–4DBF)
• Yijing hexagram szimbólumok (4DC0–4DFF)
• CJK egyszerűsített szóképek (4E00–9FFF)
• ji jelek (A000–A48F)
• ji gyökök (A490–A4CF)
• hang módosító betűk (A700–A71F)
• Latin D-bővítéssel (A720–A7FF)
• Syloti Nagri (A800–A82F)
• Hangul jelek (AC00–D7AF)
• magas pótlók (D800–DB7F)
• magas sajátnál használt pótlók (DB80–DBFF)
• alacsony pótlók (DC00–DFFF)
• saját célra fenntartott (E000–F8FF)
• CJK komtibilis szóképek (F900–FAFF)
• alfabetikus megjelenítési formák (FB00–FB4F)
• arab prezentációs formák-A (FB50–FDFF)
• kijelölés változatok(FE00–FE0F)
• függőleges formák (FE10–FE1F)
• kombinált fél jelzők (FE20–FE2F)
• CJK kompatibilis formák (FE30–FE4F)
• kisebb forma változatok (FE50–FE6F)
• arab prezentációs formák-B (FE70–FEFF)
• félszélességű és teljes szélességű formák (FF00–FFEF)
• speciális jelek (FFF0–FFFF)

A következő felülvizsgálatok során várhatóan számos írás fog bekerülni az Unicode rendszerbe. Néhány írás és azok javasolt elhelyezkedési tartományai a következők:

• bali (1B00–1B7F)
• lepcha (rong) (1C00–1C4F)
• santali (Ol Cemet' / Ol Chiki) (2DE0–2DFF)
• vai (A500–A61F)
• phags-pa (A840–A87F)
• saurashtra (AB00–AB5F)

Néhány egyéb írás, amit a BMP-be felvételre javasoltak:

• avestan és pahlavi (0800–085F)
• cham (18B0–18FF)
• batak (1A20–1A5F)
• lanna (ős tai lü) (1A80–1AEF)
• meithei/manipuri (1C80–1CDF)
• varang kshiti (AA00–AA3F)
• sorang sompeng (AA40–AA6F)

Kiegészítő többnyelvű lap

Az 1. lap, a Kiegészítő többnyelvű lap' – Supplementary Multilingual Plane - (SMP) használatos számos, történelmi írás (mint például a lineáris B írás) kódolására, de ez használható a zenei és matematikai szimbólumok kezelésére is.

A 2005-ös Unicode 4.1 szerint, az 1. lap a következő írásokat tartalmazza:

• lineáris B írás jelei (10000–1007F)
• lineáris B-írás ideogramjai (10080–100FF)
• égei számok (10100–1013F)
• ősi görög számok (10140–1018F)
• ősi olasz (10300–1032F)
• gót (10330–1034F)
• ugariti (10380–1039F)
• ős perzsa (103A0–103DF)
• deseret (10400–1044F)
• shavian (10450–1047F)
• osmanya (10480–104AF)
• ciprusi jelek (10800–1083F)
• kharoshthi (10A00–10A5F)
• bizánci zenei jelek (1D000–1D0FF)
• zenei jelek (1D100–1D1FF)
• ősi görög zenei jelek és kotta jelölések (1D200–1D24F)
• Taj Hszüan Csing (Tai Xuan Jing) szimbólumok (1D300–1D35F)
• alfanumerikus matematikai szimbólumok (1D400–1D7FF)

A 2006-os, Unicode 5.0 változat a következő írásokkal egészült ki:

• föníciai (10900–1091F)
• sumér-akkád ékírás (12000–1236E és 12400–12473)

Néhány egyéb írást is javasoltak még az 1. lapra, többek között:

• ősi permi
• meroitic
• manichai
• balti
• arameus
• dél-arab
• brámi
• szojombo
• indus írás
• Tengwar
• cirth
• Bliss szimbólumok
• alap egyiptomi hieroglifák
• számoló pálcák

Saját használatú terület

A saját használatú terület – Private Use Area (PUA) egy a több olyan tartományból, amelyek saját használat céljára vannak fenntartva. Ezekhez a területekhez a Unicode semmilyen karaktereket nem rendel hozzá.

Az alap többnyelvű lap esetében ez a terület az U+E000 és az U+F8FF (57344–63743) közötti tartomány. A Tizenötödik lap (U+F0000 és U+FFFFF között), valamint a Tizenhatodik lap (U+100000 és U+10FFFF között) teljesen saját használat céljára fenntartott.

A saját használatú terület – PUA koncepciója bizonyos ázsiai nyelvek kódolási rendszereiből öröklődött. Ezek a rendszerek rendelkeztek saját célra használható területekkel, mivel a japánban a gaidzsi (ritka, a személy-nevekben előforduló karakterek) alkalmazás specifikus kezelését ilyen módon oldották meg. Hasonló a ConScript Unicode Registry megoldása, amely segíti a még nem kezelt, vagy a Unicode által visszautasított írásoknak az Unicode PUA területén való elhelyezést. A Unicode középkori iniciálé betűtípus szintén a PUA területet használja a középkori szövegekben előforduló különféle ligatúrák, előre összeállított karakterek, és szimbólumok kódolására.

A saját használatú terület kihasználásának egy jó példája az Apple Computer által használt U+F8FF terület az Apple által használt betűtípusok és a logó tárolására és megjelenítésére.

Egyéb lapok

A 2. lap, a tartalmazza a Kiegészítő szókép lap – Supplementary Idiograme Plane (SIP) területet, ami annak a hozzávetőleg 40 000 ritka kínai karakternek a kezelésére használható , amelyek legtöbbje ugyan történeti, azonban mai írásokban is előfordulnak. A 14. lap (E hexadecimálisan), a Kiegészítő lap a speciális felhasználású laphoz – Supplementary Special-purpose Plane (SSP), aktuálisan néhány támogatásra nem javasolt nyelv karaktereit, illetve különböző szempontok alapján kiválasztott karaktereket tartalmazza.

További információk

• Részletes kódtáblázat az irodalmi kínai karakterek nélkül, 5.2.0 verzió (PDF fájl, angol)
• Kiegészítő kínai (CJK) kódtáblázat (PDF fájl, angol, nagy méretű)
• Kínai (CJK) gyök szerinti teljes index (PDF fájl, angol)
• The Unicode Standard (a hivatalos honlap, angol nyelven)