历史
Unicode标准规定U+D800~U+DFFF的值不对应于任何字符。之所以这样做，是为了UTF-16。
一开始的时候，Unicode是被设计成用固定的16位来表示代码点的。那时也被称作UCS-2时代。很自然，这些代码点上的值就直接不经过任何变换，直接作为UTF-16的编码了。后来，人们发现两个字节不足以表达世界上所有的书写系统，所以Unicode又被扩充为了4个字节，但是实际上只用了21位。也就是0x0000~0x10FFFF。此时，进入了UCS-4时代。
UTF-16
这时，如果还想继续使用UTF-16表达除了BMP平面之外的字符，就要进行一些改进了。之就引入了代理对的概念。引入代理对，是为了表示BMP平面之外的字符，也就是0x10000~0x10FFFF上的字符。对于表示BMP平面上的字符，UTF-16还是使用2个字节，对于表示BMP平面之外的字符，则使用4个字节。顾名思义，UTF-16是以16位递增的，2字节，4字节。
1.对于BMP平面上的字符，其代码点的值就是其UTF-16的值，此时字符占用2个字节；
2.对于BMP平面之外的字符，要用代理对儿，进行转换即可，此时字符占用4个字节。
代理对
下面我们来看一下什么是代理对。这就要用到前面讲到的保留区U+D800~U+DFFF。
对于BMP平面之外的字符，我们用4个字节来表示，对于高位的2个字节，我们记为W1，对于低位的2个字节，我们记为W2，我们把W1初始化为0xD800，把W2初始化为0xDC00。展开成二进制我们看得更清楚。
0xD800
1101 1000 0000 0000
0xDC00
1101 1100 0000 0000
可以看到，对于W1和W2，各自有10位可以*的编码使用。我把这些位都标记成了绿色。
对于在BMP平面之外的字符，我们记为U，肯定有U>=0x10000且U<=10FFFF,我们令U' = U - 0x10000，所以U'的范围就在0x00000~0xFFFFF之间了。也就是说U'可以用20位来表示。
之后，我们把U'中高字节的10位赋值给W1中的低10位，把U'中低字节的10位赋值给W2中的低10位，也就是绿色的部分。
用图形生动地表示如下：
U' = yyyyyyyyyyxxxxxxxxxx
W1 = 1101 10yy yyyy yyyy
W2 = 1101 11xx xxxx xxxx
由上面看来，一旦UTF-16中字节开头是110110或110111打头的，肯定就是代理对儿了。
易知W1的范围是0xD800~0xDBFF,W2的范围是0xDC00~0xDFFF
W1和W2的范围合起来就是0xD800~0XDFFF，也就是上面提到的保留区。
UTF-16的解码
UTF-16的解码过程正好相反：我们读取两个字节，记为W，这个W可能是W1，也可能是W2.
1.首先，if W < 0xD800 或者 W > 0xDFFF，那么W的值就是字符的代码点。
2.否则，如果 0xD800 <= W <= 0xDBFF,那么继续，否则，我们读到的就是W2，表明这个编码不合法，因为没有W1.
3.我们知道了W在W1的范围内，如果后面不够两个字节的数据，则也出错。否则，就再往后读两个字节，并判断是否在W2的范围区间内。如果不在，也出错。如果在，进行第4步。
4.把W1的低10位取出来，赋给U'的高10位，并把W2的低10位取出来，赋给U'的低10位。
5.U'+= 0x10000
此时，U'的值就是对应字符的代码点。
LE BE BOM
至于大端小端和BOM，本系列的前几篇文章中已经讲的很清楚了。不过还是要注意LE和BE，以及BOM的问题。
引用*中的一张图，来作为UTF-16的结尾。
我们可以看到，对于BMP中的字符，UTF-16和代码点是完全一致的。这也导致了它不兼容ASCII。不过，对于所有BMP中的CJKV字符，现在终于又成2个字节了。比UTF8少了一个字节。