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';