Java中如何存储汉字

Java中如何存储汉字

因为笔者了解有限，文中难免会出现一些错误，如有发现，望指出，谢谢。

依稀记得当初刷面试题时，有道题是这样的

char 型变量中能不能存贮一个中文汉字，为什么？
答：char类型可以存储一个中文汉字，因为Java中使用的编码是Unicode（不选择任何特定的编码，直接使用字符在字符集中的编号，这是统一的唯一方法），一个char类型占2个字节（16比特），所以放一个中文是没问题的。

记得当时也很疑惑，只是学疏才浅，加上忙于找工作，也没多在意。直到无意间又遇到了这个问题，便一步一步踏上了寻找之旅。
首先，汉字的存储和字符集有关，字符集不同，存储汉字所用的字节也不同。
如上题所述，Java中使用的编码是Unicode，但是Unicode 是「字符集」(为每一个「字符」分配一个唯一的 ID)，不负责具体的编码规则(将「码位」转换为字节序列的规则)。那么在汉字Java中的编码规则是什么呢？

char

原本想从char找起，奈何char是基本类型，没有办法查看类定义信息，然后就想到了包装类Character，果不其然在其中找到了一些信息。
由此可见，Java采用UTF-16编码，但是我了解到汉字(Unicode常见的汉字编码范围0x4E00-0x9FA5)在UTF-16占2个字节(对于 Unicode 码小于 0x10000 的字符， 使用 2 个字节存储，并且是直接存储 Unicode 码)，char有2个字节，可以放下。UTF-16 用两个字节表示一个字符，那么用两个字节表示必然存在字节序的问题(Byte Order Mark(BOM))，即大端小端的问题。UTF-16根据BOM分为UTF-16BE(最低地址存放高位字节，编码前会放置FEFF)和UTF-16LE(最高地址存放高位字节，编码前会放置FFFE)，那么Java中采用的是UTF-16BE还是UTF-16LE？由于不想继续找下去，所以就直接用现象去推出结论，测试代码如下：

 public static void main(String[] args) {
        char ch = '我';
}

在Debug模式下结果如下：

发现’我’在char中存储的是25105，然后在编码中发现’我’的编码如下：

将十进制的25105('我’在char中存储的值)转化为十六进制，结果为6211，对比上述编码后四位，最终确定，Java采用的是UTF-16BE。

String

说起char就不得不说起String，因此我就测试了String，String结构如下：

public final class String
    implements java.io.Serializable, Comparable<String>, CharSequence {
    ...
    @Stable
    private final byte[] value;
    ...
}

由此可见真正存放数据的是byte[]数组(被final修饰，这是String不可变的原因)，一个byte占一个字节，那么猜想’我’存放在String中是byte[2]，果然，结果符合设想，然后查看值，

那么[17,98]到底代表什么含义呢，首先，我想到了转换为十六进制，但是两个值没办法直接转换，所以就先转化为了二进制，因为计算机存储的是补码(byte占一个字节，为8位)，转换为补码为[00010001, 01100010]，然后根据BE中最低地址存放高位字节，从后往前拼接，[00010001, 01100010]–>0110001000010001–>110001000010001。将二进制110001000010001转换为十六进制为6211，和上述存储结果一致。
至此，得出结论，Java中汉字的编码规则为UTF-16BE。