java char 的编码规则

java char 使用来表示Unicode编码的字符单元。

Unicode编码单元可以表示为16进制，其范围从\u0000到\uffff；

刚开始unicode被设计为两个字节，java也使用16位的Unicode字符集。但是后来语言扩充后，两个字节已经不够用了，unicode进行了扩充。所以，java的char类型16位就不能完全表示出所有的unicode字符。

现在Unicode代码点的合法范围是U+0000到U+10FFFF，U+0000到U+FFFF称为Basic Multilingual Plane(BMP)这部分叫基本的多语言级别，代码点大于U+FFFF的字符称为增补字符。

所以java的设计者们就需要解决这个问题。

utf-6编码：

代码点(code point)是指与一个编码表中的某个字符相对应的代码值。UTF-16编码采用不同长度的编码表示所有的Unicofe代码点。

在bmp中每个字符由16位表示，称为代码单元。而辅助字符采用一对连续的代码单元进行编码。这样做的原因是在unicode中，基本多语言平面内，U+D800..U+DFFF的值不对应于任何字符，为代理区。因此，UTF-16利用保留下来的0xD800-0xDFFF区段的码位来对辅助平面的字符的码位进行编码。

综上：

• 当unicode的码点在bmp中时，编码在这个范围内的码位为单个16比特长的码元，数值等价于对应的码位；
• 在从U+10000到U+10FFFF的码位，也就是辅助平面(Supplementary Planes)中的码位，大于等于0x10000，在UTF-16中被编码为一对16比特长的码元（即32bit，4Bytes），称作 code units called a 代理对（surrogate pair），具体如何操作可以参考这篇文章：https://www.cnblogs.com/dragon2012/p/5020259.html

所以utf-16是2个字节或者4个字节的编码。

在java中，char类型用utf-16编码描述一个代码单元。编码单元的范围是\u0000 - \uffff。

        //相同字符不同的表示方法
        char a1 = '$';
        char a2 = '\u0024';
        System.out.println(a1 + ":" + a2);
        //两个utf16的代码单元描述一个字符
        String b1 = "\ud801\udc01";
        System.out.println(b1);
        System.out.println(b1.length());
        System.out.println(b1.codePointCount(0,b1.length()));
        //超出bmp区
        char c1 ='\ud802';
        System.out.println(c1);

输出：

true
$:$
?
2
1
?

可见普通字符和他的编码表示，对java来说是一样的。

需要注意的是String.length()函数，返回的是代码单元的个数，而不是编码后字符的个数。所以会输出2。

codePointCount返回的是编码后字符的个数1。

当我们单独只用一个char表示超过bmp区的unicode码时，由于不符合utf-16编码规则，所以输出?。表示不出来的意思。

注意键盘上字符'?'的表示方法char a = '?'或者char a = '\u003F'；