编码 -- char 1= '中' 2 byte, 中文string a="中" 3字节问题

转：http://blog.csdn.net/lhooouuu/article/details/6556784

提问者：

char在Java中应该是16个字节 
byte在Java中应该是8个字节 （ps：提问者有错，解答会讲原因）
char x = '编'; //这样是合法的，输出也是16个字节 

但是 
String str = "编"; 
byte[] bytes = str.getBytes(); //我想不明白，为什么这里要占用3个byte呢? 
3个byte一共是3*8=24个字节，那么char x怎么又放得下？我坚信char是16个字节， 
但是str.getBytes()这个东西到底又怎么回事？

解答1:

首先，java中的一个char的确是2个字节。java采用unicode，2个字节来表示一个字符。

其次，楼主你说的byte[] bytes = str.getBytes();之后是3个字节，这里和前面的概念不一样。java是用unicode来表示字符，"编"这个中文字符的unicode就 是2个字节。String.getBytes(encoding)方法是获取指定编码的byte数组表示，通常gbk/gb2312是2个字节，utf- 8是3个字节。如果不指定encoding则取系统默认的encoding.

另外，楼主的“字节”说的有点乱，通常我们说的字节是指byte,还有一个"位"的概念(bit) ，通常情况下1 byte=8 bit.
"3个byte一共是3*8=24个字节"这句话应该表示为“3个byte一共是3*8=24个bit”

 

解答2:

首先，要搞清楚 code point 和 encoding 的区别。Java 是遵循 unicode 4.0 标准的，而内部的 character 以 utf-16 作为 encoding。unicode 4.0 标准包含从 U+0000-U+FFFF 的基本多语言平面和 U+10000-U+10FFFF 的扩展平面的文字，这是 code point 。Java 的 char 类型是 16 bit 的，所以单个 char 只支持基本平面内的文字，而扩展平面的文字是由一对 char 来表示的。 

而 String.getBytes() 这个方法是按照指定的 encoding 返回字符串 ，一般中文系统的默认编码是 utf-8 (linux, mac) 或者 gbk/gb18030 (windows)。只要是基本平面内的文字，utf-8码的中文都是3字节的，而 gbk/gbk18030 是2字节的 。