Java 入门之6：Java中的char类型是怎么存储的以及常见的编码字符集

目录

char 类型：

Java中常用转义字符归纳：

什么是编码？

常见的编码字符集：

ASCII：

IOS8859-1：

GB2312：

GBK：

BIG-5：

ANSI:

Unicode：

Unicode字符集-UTF编码

标准Unicode字符集（全）：

UTF-8：（编程人员使用最多的Unicode编码存储方案）

UTF-16：（很少使用）

UTF-32：（基本不会使用）

UTF-16BE、UTF-16LE、UTF-32BE、UTF-32LE（了解）：

解析使用Unicode的UTF-8编码方案怎么存储一个字符：

为什么Java 中 char 类型存储的字符都是2个字节，而使用UTF-8存储的时候却是1 ~ 4个字节？

内码的分类（即权威机构制定好的编码字符集）：

---

char 类型：

1. char类型，就是Java中的字符类型，它的书写格式为 单引号引起来的单个字符，比如： char ch = '中';   那么这个数据就是Java中的字符类型
2. char类型是用来表示Unicode编码表中的字符，Unicode编码被设计用来处理各种语言的文字，符号，char类型占用两个字节的无符号数来表示Unicode码（HEX），取值范围为 0 ~ 65535，即 ，即 一共可以允许存储65535个字符，或者说可以允许存储0~65535区间的Unicode码，也可以用十六进制（HEX），十进制（DEC），八进制（OCT），二进制（BIN）的数字来表示对应的Unicode码（HEX）和字符！。
3. char类型包括了普通字符和转义字符。

4. Java中常用转义字符归纳：

   转义字符	含义	Unicode值（十六进制）	八进制	十进制	二进制	拼接字符串的作用	举例
   \b	退格	\u0008	010	8	0b00001000	会往前退一格，因此离\b左边最近的一个字符会被退格掉	比如输出： "abc\bdef"   结果： abdef
   \n	换行	\u000a	012	10	0b00001010	会把\n左右两边的字符串分开换行输出	比如输出： "abc\ndef"   结果： abc def
   \r	回车	\u000d	015	13	0b00001101	会回车到字符串的开头，在\r右边还有字符的时候，相当于退格掉\r左边的所有字符	比如输出："abc\rdef"   结果： def
   \t	制表符（tab）	\u0009	011	9	0b00001001	如果是在GBK的编码下编译执行，如果\t前面（左边）有字符，在不是八个或者八个的倍数的情况下，出现的空格就是 8 - 出现的字符的个数，比如abc\tdef，它输出的时候abc和def中间就只隔了5个空格字符，如果前面刚好出现了八个字符或者八的倍数的字符的情况下，中间就会隔开8个空格，在GBK的编码下，一个\t转义字符相当于一个tab键，一个tab键相当于8个空格。   如果是在UTF-8的编码下编译执行，如果\t前面（左边）有字符，在不是四个或者四个的倍数的情况下，出现的空格就是 4 - 出现的字符的个数，比如abc\tdef，它输出的时候中间就只隔了1个空格字符，如果前面刚好出现了四个字符或者四的倍数的字符的情况下，中间就会隔开4个空格，在UTF-8的编码下，一个\t转义字符也是相当于一个tab键，一个tab键相当于4个空格。	比如输出： "abc\tdef"   结果： abc     def   比如输出： "\tabcdef"   结果：         abcdef
   \"	双引号	\u0022	042	34	0b00100010	会把 " 作为一个字符和字符串中的其他字符组合成一个字符串输出	比如输出： "abc\"def"   结果： abc"def
   \'	单引号	\u0027	047	39	0b00100111	会把 ' 作为一个字符和字符串中的其他字符组合成一个字符串输出	比如输出： "abc\'def"   结果： abc'def
   \\	反斜杠	\u005c	0134	92	0b01011100	会把 \ 作为一个字符和字符串中的其他字符组合成一个字符串输出	比如输出： "abc\\def"   结果： abc\def
   \0	空字符（nothing）	\u0000	00	0	0b00000000	相当于没有添加任何字符，空字符（nothing）什么字符也没有添加   这个 \0 也可以理解成为char类型的默认值表示 空字符（nothing）\u0000	比如输出： "abc\0def"   结果： abcdef
   \f	换页	\u000c	014	12	0b00001100	会把\f原样输出，只不过这个字符打印不出来，（很少会用到 \f 这个转义字符）	比如输出： "abc\fdef"   结果：
   \uxxxx	字符的unicode编码表中的十六进制表示	\uxxxx	对应的八进制	对应的十进制	对应的二进制	把Unicode字符集中的对应的字符原样输出
   \xxx	字符的ASCII、IOS8859-1编码表中的八进制表示	\uxxxx	对应的八进制	对应的十进制	对应的二进制	把ASCII、IOS8859-1码表中的对应的字符原样输出（基本不会使用，最多能表示到 \377）

 

---

什么是编码？

百度百科找的一个概念

 编码可以理解为计算机中一种机制，计算机所有的数据都是以二进制来表示存储，运算，传输的，数据当然也包括了比如 音乐、视频、图片、文字等……，它们在传输、存储，运算的时候都会先转成对应的二进制数再进行相关的操作，这个过程就称之为编码，解码也就是编码的逆过程，把对应的二进制数转化成对应的资源数据等……，

比如文字，在存储，传输，运算的时候转成编码的过程中的时候，就需要制定一系列的标准，那么这个编码标准就称之为字符集，或者称之为编码集。

---

常见的编码字符集：

由权威机构制定的编码表才能被称之为： 字符集

ASCII：

英文字符集（American Standard Code for Information Interchange）美国信息交换标准码

ASCII码表：

编码方式： 用一个字节的 7 位表示

只需记住3个字符的编码就行，（其他不常用）：

1. 新中国成立前一年 48 => 对应字符 '0'
2. 那年香港回归 97 => 对应字符 'a'
3. 两个6减一 65 => 对应字符 'A'

 

IOS8859-1：

西欧字符集：

向下兼容了ASCII，此字符集支持部分于欧洲使用的语言，包括 阿尔巴尼亚语、巴斯克语、布列塔尼语、加泰罗尼亚语、丹麦语、荷兰语、法罗语、弗里西语、加利西亚语、德语、格陵兰语、冰岛语、爱尔兰盖尔语、意大利语、拉丁语、卢森堡语、挪威语、葡萄牙语、里托罗曼斯语、苏格兰盖尔语、西班牙语及瑞典语。包括西欧语言，希腊语、泰语、阿拉伯语、希伯来语对应的文字符号。欧元符号 出现的比较晚，没有被收录在ISO-8859-1当中。

编码方式：使用一个字节的8位表示

 

GB2312：

简体中文字符集：

向下兼容了ASCII，这个编码适用于汉字处理、汉字通信等系统之间的信息交换，通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持GB 2312。

编码方式：最多使用两个字节编码

 

GBK：

中文字符集：

向下兼容了GB2312，GBK编码，是在GB2312-80标准基础上的 内码 扩展规范，使用了双字节编码方案，其编码范围从8140至FEFE（剔除xx7F），共23940个码位，共收录了21003个汉字，完全兼容GB2312-80标准，支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字，并包含了BIG5编码中的所有汉字。GBK编码方案于1995年10月制定， 1995年12月正式发布，中文版的WIN95、WIN98、WINDOWS NT以及WINDOWS 2000、WINDOWS XP、WIN 7、WIN10等都支持GBK编码方案。

编码方式：最多使用两个字节编码

 

BIG-5：

繁体中文字符集：

向下兼容了ASCII，主要使用地区是中国台湾，中国香港，中国澳门……

编码方式：最多使用两个字节编码

 

ANSI:

在有些软件中，会出现ANSI编码，比如Notepad++，它实际上并不是一个真正的编码字符集，当选择了这个所谓的编码集了以后，实际上它就是获取当前系统的编码字符集，比如在中文版的windows系统，获取的则是GBK编码字符集。

……

 

Unicode：

统一码，也叫万国码、单一码（Unicode）是计算机科学领域里的一项业界标准，包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的 二进制 编码，以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发，1994年正式发布1.0版本，2020年发布13.0版本。Unicode几乎包含了目前人类所有的字符，Unicode字符集只规定每个字符的编码，并没有规定怎么存储字符。

 

Unicode的3种编码存储方案： UTF-8、UTF-16、UTF-32

---

Unicode字符集-UTF编码

 

标准Unicode字符集（全）：

https://www.ziti163.com/uni/FB00-FB4F.shtml?id=111

 

UTF-8：（编程人员使用最多的Unicode编码存储方案）

UTF-8（8位元，Universal Character Set/Unicode Transformation Format）是针对Unicode的一种可变长度字符编码。它可以用来表示Unicode标准中的任何字符，而且其编码中的第一个字节仍与 ASCII 相容，使得原来处理ASCII字符的软件无须或只进行少部分修改后，便可继续使用。因此，它逐渐成为 电子邮件 、 网页 及其他存储或传送文字的应用中，优先采用的编码。

编码方式：它是Unicode的具体实现方案，标准的UTF-8用1到4个字节编码UNICODE字符，修正后的UTF-8用1到6个字节编码UNICODE字符。UTF-8编码方案中，

1. ·一个US-ASCIl字符只需1字节编码（Unicode范围由U+0000~U+007F）。
2. ·带有变音符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文 等 字母则需要2字节编码（Unicode范围由U+0080~U+07FF） 。
3. ·其他语言的字符（包括中日韩文字、东南亚文字、中东文字等）包含了大部分常用字，使用3字节编码。
4. ·其他极少使用的语言字符使用4字节编码。
5. ·emoji占用3、或者4个字节（emoji就是那些表情包，比如微信和QQ的小黄脸，微软拼音输入法能打出来的表情包），其他极少使用的语言字符使用4字节编码。

UTF-8 的编码规则：（只有两条）：

1. 对于单字节的符号，字节的第一位设为0，后面7位是这个符号的Unicode码，因此这是对于英文字母，UTF-8 编码和 ASCII 编码是相同的
2. 对应 n 字节的符号（n > 1），第一个字节的前 n 位都设为 1，第 n+1 位设为 0，后面的字节的前两位一律设为 10.剩下的没有体积的二进制位，全部为这个符号的 Unicode码。

UTF-16：（很少使用）

UTF-16是 Unicode 字符编码五层次模型的第三层：字符编码表（Character Encoding Form，也称为 "storage format"）的一种实现方式。即把Unicode字符集的抽象码位映射为16位长的整数（即 码元）的序列，用于数据存储或传递。Unicode字符的码位，需要1个或者2个16位长的码元来表示，因此这是一个变长表示。

UTF-16是 Unicode 的其中一个使用方式。UTF是Unicode Transfer Format的缩写，即把Unicode转做某种格式的意思。它定义于ISO/IEC 10646-1的附录Q，而RFC 2781也定义了相似的做法。在Unicode 基本多文种平面 定义的字符（无论是 拉丁字母 、 汉字 或其他文字或符号），一律使用2字节储存。而在辅助平面定义的字符，会以代理对（surrogate pair）的形式，以两个2字节的值来储存。

UTF-16比起 UTF-8 ，好处在于大部分字符都以固定长度的字节（2字节）储存，但UTF-16却无法兼容于 ASCII 编码。

编码方式：，它是Unicode的具体的实现方案，2个字节,4个字节，这种方案没有兼容ASCII编码，使用较少，但是这个方案对应的是Java中char类型的表示方案，换言之，Java 中的 char 本质上是 UTF-16 编码。

UTF-32：（基本不会使用）

UTF-32 (或 UCS-4)是一种将Unicode 字符编码 的协定，对每一个Unicode码位使用恰好32位元。其它的Unicode transformation formats则使用不定长度编码。因为UTF-32对每个 字符 都使用4 字节 ，就空间而言，是非常没有效率的。特别地，非 基本多文种平面 的字符在大部分文件中通常很罕见，以致于它们通常被认为不存在占用空间大小的讨论，使得UTF-32通常会是其它编码的二到四倍。虽然每一个码位使用固定长定的字节看似方便，它并不如其它Unicode编码使用得 广泛 。

编码方式：4个字节，使用非常的少，原因：每个字符都占用4个字节，浪费存储空间！

 

UTF-16BE、UTF-16LE、UTF-32BE、UTF-32LE（了解）：

UTF16-LE 和 UTF16-BE，这与计算机的 CPU 构架有关。计算机在存储器中排列字节的有方式有两种，LE 指 Little Endian（小端法），而 BE 指 Big Endian（大端法）。由于 UTF16 是双字节编码，所以两个字节保存时哪个在前，哪个在后关系到解析出字符的结果。至于为什么会出现 BE 和 LE 的编码，则是由于历史原因造成的：在 Mac 和 PC 机上，对字节顺序的理解是不一致的。如果一个文件不明确说明 UTF16 使用的是 BE 还是 LE，那么就需要通过 BOM 来指明了。我们一般的 X86 系统都是 Little Endian 的，可以认为 UTF16=UTF16-LE。

UTF-32BE和UTF-32LE，这与UTF-16BE和UTF-16LE的原因类似，UTF-32是用四个字节来表示，如果一个文件不明确指定该文件是高位字节在前还是低位字节在前，是按照UTF-32的BE还是LE来存储，那么就有可能造成解读错误，不同的解释表示的值是不一样的。

---

解析使用Unicode的UTF-8编码方案怎么存储一个字符：

UTF-8 标准的编码方式：

UTF-8 修正后的编码方式：（注：这种的UTF-8编码方式只是一种扩展，或者理解为是一种备用编码方式，它只是在原来的标准UTF-8编码方式的基础上由扩展了两种编码方式了而已，而Unicode目前为止所收集的字符，能查到的也就0XFFFF个，也就是65536（0 ~ 65535）个，（不包括有的用4个字节才能表示的极少语言字符），如果Unicode字符集在未来收集的字符超过了现在所收集的字符，那么可能就会使用这个修正后的UTF-8编码方式！）

比如使用UTF-8编码方案存储中国的 '中' 字。

中 的十进制为 20013 ，Unicode码十六进制为 4E2D，二进制为 0100 1110 0010 1101

怎么查询一个字的Unicode码？ 可以自己转成十六进制，可以使用计算器转成十六进制，也可以查询Unicode字符集（这是我找的最全的Unicode字符集汇总） https://www.ziti163.com/uni/FB00-FB4F.shtml?id=111；

 

又把这张表拿下来

可以看出，中 这个字如果按照 UTF-8来存储的话需要3个字节，怎么看出来的？这很简单，比如可以通过Unicode 符号范围的 十六进制 看区间范围，还可以通过十六进制对应的十进制看区间范围。

即UTF-8存储 中 字这个字符的格式为 ：中 的二进制为： 0100 1110 0010 1101

然后，从 中 字的最后一个二进制位开始，依次从低向高填入格式中的 x， 这样就得到了，中 的UTF-8 的编码是 1110 0100 1011 1000 1010 1101 ，转换成十六进制就是 E4B8AD。

故 中 字的十进制是：20013 ，八进制为：47055 ，二进制为： 0100 1110 0010 1101，Unicode字符集中十六进制码为：4E2D ，而 中 字在UTF-8编码后的二进制码为 1110 0100 1011 1000 1010 1101，十六进制为 0xE4B8ADh，八进制为 71134255，十进制为 14989485 。占用3个字节！

---

为什么Java 中 char 类型存储的字符都是2个字节，而使用UTF-8存储的时候却是1 ~ 4个字节？

在知乎上摘自两位大佬的解释，非常的精辟，完美的解决了我的知识盲区，非常感谢他们，

第一位大佬 大概是这样说的（浅显易懂，很好理解）：

首先，所谓的 “字符” 具体指的是什么？如果“字符” 就是指Java中的char ，那么它就是占用了 2 字节，即 16位，如果“字符”是指我们用眼睛看到的那些 “抽象的字符”，那么，谈论它占用几个字节是没有任何意义的。

具体的来说， 脱离具体的编码谈某个字符占用几个字节是没有任何意义的。

比如： 有一个抽象的整数 “66”，你说它占用几个字节？，这就得具体看是用 byte，short，int  还是 long来存它，用byte 存就占用一个字节，用short 存就占用两个字节，int 就是四个字节，long 就是 八个字节，当然了，如果用byte ，受限于它有限的字长，有些数它是存不了的， 比如 128 就无法存放在一个byte里。

字符也是同样的一个道理，如果想谈论 它是 “ 占用几个字节 ” ，就得先把编码说清楚， 同一个字符在不同的编码下可能会占用不同的字节。

比如，就拿 ‘中’ 字为例，‘中’ 在GBK 编码下，占用 两个 字节， 在UTF-16 编码下也是占用 两个 字节，在UTF-8 编码下则是占用 三个 字节，而在UTF-32编码下则是占用的4个字节，

不同的字符在同一个编码下也可能占用不同的字节

'中' 字符在UTF-8 编码下占用3个字节，而 'a' 字符 在UTF-8 编码下则是占用 1 个字节。（其根本原因就是 UTF-8 它是变长的编码方案， 1 ~ 4 字节）

Java 中的char 本质上是 UTF-16 编码，而UTF-16 最开始是定长的2字节，但是后来也变成了变长的编码（2字节 ，4字节）。

如果一个抽象的字符在UTF-16 编码下占用 4 个字节，显然它是不能放到 char 中的，换句话说，char 中只能存放 UTF-16 编码下那些值占用 2 个字节的那些字符。

而String.getBytes 实际上是做编码转换，所以应该显式的传入一个 参数来指定编码，否则它就会还是用缺省编码来转换，

比如说： “new String("中").getBytes().length 返回的是 3 ” ，这就说明缺省编码是 UTF-8 ，

如果显示的传入一个编码参数，比如 “ new String("中").getBytes("GBK").length 返回的是 3”，那么它返回的就是 2 。

可以在启动 JVM 是设置一个缺省编码，

比如类叫 CharTest ，那么在命令行中用 java 执行这个类的时候可以通过 file.encoding 参数设置一个缺省编码，比如这样： java -Dfile.encoding=GBK CharTest 这时，在执行不带参数的getBytes() 方法的时候，“new String("中").getBytes().length 返回的是 2 了”，因为现在缺省编码变成了 GBK 了，当然了，如果这时候你显式的指定了编码，new String("中").getBytes("UTF-8").length 返回的则依旧是 3 。否则，会使用所在操作系统环境下的缺省编码。

通常，Windows系统下是GBK，Linux 和 Mac 下是UTF-8 ，但是有一点需要注意的是，在Windows下用IDE来运行时，比如Eclipse，或者Intellij IDEA，如果工程的缺省编码是 UTF-8，在IDE中运行程序的时候，会加上上述的 -Dfile.encoding=UTF-8参数，这时，即便是在Windows下，缺省编码仍然是 UTF-8，而不是GBK ！由于受启动参数及其所在操作系统环境的影响，不带参数的getBytes 方法通常是不建议使用的，最好就是显示地指定参数一次获得稳定的预期行为。

显而易见，他的意思就是我接下来的操作。（注意事项：值得一提的是！如果是用命令行运行的话，如果在IDE集成开发环境的默认编码是UTF-8需要转为ANSI编码，如果默认的编码是GBK 就不用！（ANSI 实际上就是获取当前系统的默认编码字符集！比如中文版的 Windows 就是 GBK！比如我这里用Notepad++转换的，，否则编译不会通过的！比如：）都还需要把在IDE 集成开发环境里面写好的Java文件里面的包名去掉），再进行编译运行，否则编译通过，但是运行失败！比如：再运行的就会运行成功了，比如！（中文版的 Windows 的命令行的默认编码字符集都是 GBK，（除了中国台湾，中国香港 和 中国澳门的以外，他们的默认编码是 BIG-5），因此不用设置java -Dfile.encoding=GBK CharTest 在执行不带参数的getBytes() 方法的时候 “new String("中").getBytes().length 返回的一样的也是 2 ！”，如果是java -Dfile.encoding=utf-8 CharTest , 在执行不带参数的getBytes() 方法的时候 “new String("中").getBytes().length 返回的一样的同样是 3，比如： ,如果是java -Dfile.encoding=utf-16be CharTest , 在执行不带参数的getBytes() 方法的时候 “new String("中").getBytes().length 返回的一样的同样是 2,比如：换言之，就是在windows的命令行中进行运行Java文件的话，编码字符集必须是 GBK 才能编译通过！且这个Java文件不能有包名！（相关释义：1：utf-16be 就是utf-16的一种存储字符的方式，叫大端存储法。而utf-16le就是小端存储法。utf-16默认的就是utf-16le，因此可以理解为 utf-16 等同于 utf-16le:。2：-Dfile.encoding 的意思就是 -DefaultFile.encoding，3：编码字符集的名称不区分大小写！ ）这种操作再刚开始学习Java的时候可能会用到，但企业级开发这种情况是不会出现的，我不可能一个文件一个文件去执行javac 命令，再执行java命令，这也是为什么 IDE 集成开发环境对于编程的重要性，如果谁拿Notepad++写项目，或者拿记事本写项目，不要多想，那么这个人不是大佬，就是傻子。）

（这个设置默认的缺省编码，在IDE 智能集成开发环境可以通过settings选项设置的，这样所有的Java文件的默认编码就都是你设置的缺省编码了！）比如我用的Intellij IDEA 集成开发环境设置的

所以我的缺省编码就是 UTF-8 ，故所有的 字符都会按照 UTF-8 的编码格式进行编码存储！

下面是关于 Create UTF-8 files： 几个选项的说明：

注意事项： 如果设置了默认的缺省编码为 UTF-8 的时候，千万不要设置 Create UTF-8 files 的选项为 with BOM，它是为了支持 UTF-16和 UTF-32才选择的选项！如果当缺省编码为UTF-8的时候，却设置了 Create UTF-8 files with BOM ，编译就会报错！要清楚的是 UTF-8 的编码方式没有 采用 BOM 这种编码方式，即（大端法存储和小端法存储！），它是变长的编码方式，其中每种编码方式都是有前缀的！

---

第二位大佬大概是这样说的：（感觉他的文字能给人一种 "服了" 的感觉，我看了之后刚开始也是懵了，后来慢慢理解了，简直就是醍醐灌顶！）

主要区分清楚 内码（internal encoding） 和 外码 （external encoding）就好了。

内码：是程序内部使用的 字符编码，特别是某种语言在实现其 char 或 String 类型在内存里用的内部编码，

外码：是程序与外部交互是外部使用到的字符编码，“外部” 相对 “内部” 而言；不是char 或 String 在内存里用的内部编码的地方 都可以认为是 “外部”， 比如，外部可以是序列化之后的char 或者 String， 或者外部的文件，命令行参数之类的。

Java 语言规范规定，Java 中的 char 类型是 UTF-16 的 code unit ，也就是一定是 16 位 （2字节）；

char, whose values are 16-bit unsigned integers representing UTF-16 code units (§3.1).

翻译过来就是： char，其值是表示UTF-16代码单元的16位无符号整数。

 

然后字符串是UTF-16 code unit 的序列：

The Java programming language represents text insequences of 16-bit code units,using the UTF-16 encoding.

翻译过来就是：Java编程语言表示16位代码单元的文本序列，使用UTF-16编码。

 

这样，Java规定了字符的内码要用UTF-16编码，或者至少要让用户无法感知到String内部采用了非UTF-16的编码。“感知” 可以是多方面的，例如随机访问某个下标（索引）的code unit （String.charAt()）应该是 O(1) 操作，这只有使用UTF-16或者别的“定长”编码才可以做到，注意这里说的“定长” 特指code unit定长，而不是说code point定长。

 

String.getBytes() 是一个用于将String的内码转换为指定的外码的方法，无参数版使用平台的默认编码作为外码，有参数使用参数指定的编码作为外码；将String的内容用外码编码好，其结果放在一个新的byte[] 数组中返回。

比如，

new String("中").getBytes().length;  

返回的是 3，  那么外码显然就是 UTF-8，那么调用了String.getBytes()之后得到byte[] 只能表明该外码的性质，而无法触碰到String内码的任何性质。

另举一例：

Java 标准库实现的对char与String的序列化规定使用UTF-8作为外码，Java的Class文件中的字符串常量与符号名字也都规定用UTF-8编码，这大概是当时设计者们为了平衡运行时的时间效率（采用定长编码的UTF-16）与外部存储的空间效率，（采用变长的UTF-8编码），而做的取舍。

题外话one：

可惜UTF-16在Java设计之初还是真的定长编码，后来Unicode 涵盖的字符变多了之后UTF-16就变成了坑爹的变长编码（一个完整的“字符”，是一个code point；一个code point可以对应 1 到 2个code unit；一个code unit是16位），Java 也只好跟进，为了实现UTF-16的变长编码语义，Java规定char 仍然只能是一个16位的code point，也就说 Java 的 char 类型不一定能表示一个 UTF-16 的“字符”，—— 只有只需1个code unit的code point才可以完整的存在char里，但是String 作为char的序列，可以包含由两个code unit组成的 “surrogate pair”（代理对）来表示需要2个code unit表示的UTF-16 code point，为此Java的标准库新加了一套用于访问code point的API，而这套API就表现出了UTF-16的变长特性。

 

题外话two:

前面说Java 的内码是说的比较松，留下了“不总是使用UTF-16做为内码，但是用户无法感知区别”的余地，在 Sun JDK6中有个“压缩字符串”（-XX:+UseCompressedString）的功能，启用后，String内部存储字符串内容可以用byte[]，也可能用char[] ；当整个字符串所有字符都在ASCII编码范围内时，就使用byte[] （ASCII序列）来存储，此时字符串就处于“压缩”状态；反之，只要有任何一个字符超出了ASCII的编码范围，就退回到用char[] （UTF-16序列）来存储。ASCII编码也是一种定长编码，而且其涵盖的字符是UTF-16的真子集；用户在对一个“压缩”的字符串访问其内容是（例如String.charAt()），只需对ASCII 字符做无符号扩展就可以得到对应的UTF-16 code unit，这样用户也就无法感知到Java String的内码不是UTF-16的情况。

Sun JDK6 对“压缩字符串”的实现不够理想，实现太复杂而效果未如预期的好，所以没有包含在OpenJDK6,Oracle JDK7/OpenJDK7中。现在Oracle在重新审视“压缩字符串”的功能，有可能在JDK9重新实现出来。

题外话three：

同样规定使用UTF-16作为内码的JavaScript语言，其实现广泛应用了“压缩字符串”的思想，现在主流的JavaScript V8引擎都会尽可能的用ASCII内码的字符串，不过用户能接触的API只能看到UTF-16的code unit

 

上文中所述的名词释义：

1. 内码：内码是指计算机汉字系统中使用二进制字符编码，是沟通输入，输出与系统平台之间的交换码，通过内码可以达到通用和高效率传输文本的目的。是汉字在计算机内部存储，处理和传输用的信息编码，它必须与ASCII码兼容但是又不能冲突！所以把国标码两个字节的最高位置“1”,以区分西欧文，这就称之为内码。
2. 外码：外码是相对于内码而言的词汇，在计算机科学及相关领域汇总，外码指的是“外在的”，经过学习之后，可直接了解的编码形式（比如：文字和语言符号）中文输入法对汉字的编码即属于外码，常见的中文外码有仓颉码，行列码，大易码，呒虾米码，注音码，拼音码（这些中文外码都有对应的输入法的），汉字的输入码即称之为“外码”。输入码就是值我们输入汉字是所用的编码，常见的外码分为数字编码（比如：Unicode的区位码），拼音编码和字形编码（比如：五笔）
3. code unit（码元）：Unicode使用16位二进制来存储文字，我们将一个16位的二进制编码叫做一个码元（code unit）
4. code point（码点）：后来，Unicode对文字编码进行了扩展，将某些文字扩展到了32位（占用两个码元），并且，将某个文字对应的二进制数字叫做码点（code point），一个码点可以拥有一个码元（code unit），也可以拥有两个码元（code unit）

 

内码的分类（即权威机构制定好的编码字符集）：

1. 字符编码：字符编码就是以二进制的数字来对应字符集的字符，用得最普遍的字符集是ANSI，对应ANSI字符集的二进制编码就称为ANSI码，DOS和Windows系统都使用了ANSI码，但在系统中使用的字符编码要经过二进制转换，称为系统内码。
2. 字符编码：字符编码就是以二进制的数字来对应字符集的字符，用得最普遍的字符集是ANSI，对应ANSI字符集的二进制编码就称为ANSI码，DOS和Windows系统都使用了ANSI码，但在系统中使用的字符编码要经过二进制转换，称为系统内码。这些编码使用单字节来表示ANSI的英文字符（即兼容ANSI码），使用双字节来表示汉字字符。由于一个系统中只能有一种汉字内码，不能识别其它汉字内码的字符，造成了交流的不便。
3. GB码：GB码是1980年国家公布的简体汉字编码方案，在大陆、新加坡得到广泛的使用，也称国标码。国标码对6763个汉字集进行了编码，涵盖了大多数正在使用的汉字。
4. GBK码：GBK码是GB码的扩展字符编码，对多达2万多的简繁汉字进行了编码，简体版的Win95和Win98，Win10都是使用GBK作系统内码。
5. BIG5码：BIG5码是针对繁体汉字的汉字编码，在台湾、香港的电脑系统中得到普遍应用。
6. HZ码：HZ码是在Internet上广泛使用的一种汉字编码。
7. ISO－2022CJK码：ISO－2022是国际标准组织（ISO）为各种语言字符制定的编码标准。采用二个字节编码，其中汉语编码称ISO－2022 CN，日语、韩语的编码分别称JP、KR。一般将三者合称CJK码。CJK码主要在Internet网络中使用。
8. Unicode：Unicode只是一种字符集，它是规定了字符的编码是多少，并没有规定字符应该如果存储，它的编码方案有 UTF-8，UTF-16，UTF-32，其中UTF-16和UTF-32与ANSI码不兼容。Unicode字符集在网络、Windows系统和很多大型软件中得到应用。而内码在编程语言中使用得最多的就是UTF-16这个编码方案了。

 

这篇文章对你有帮助吗？作为一名程序工程师，在评论区留下你的困惑或你的见解，大家一起来交流吧！

如果能想到 Unicode的 UCS-2、UCS-4 这种古老的字符集，可以参考我转载的其他博主的优秀文章：https://blog.csdn.net/flagyili/article/details/116312325