深入理解char

个人反思

Java中有Character、String、StringBuilder等用于文本处理的类，但这些类的基础都是char
以前我对char的理解总是浮于表面，知道char能表示一个字符(字母或中文字符等)，也知道有Unicode编码，也知道char能转成int类型，但对char没有一个更深入的了解。这篇文章算是自己对char的一个深入总结，将以上知识点串联起来。

字符的编码

编码有两大类：Unicode编码和非Unicode编码 (了解即可)
非Unicode编码：

• ASCII码：自然是熟悉不过的，ASCII码使用了128个字符基本表示了美国的标准字符。用了从0~127刚好128个十进制数来表示，刚好占用了7个bit位。而一个字节有8位，所以最高位设为0表示这是ASCII编码。
• GBK码：GBK使用了两个字节来表示一个字符，其中高位字节范围是0x81~0xFE，低位字节范围0x40~0x7E和0x80~0xFE。前面写到：ASCII编码最高位为0，其他编码最高位设置为1。这里需要注意的一点是：由于GBK低位编码表示范围从0x40(64)开始，所以低位编码的最高位可能为0。所以，为了区分这是GBK还是ASCII，在读入第一个字节时，如果高位为1，那么直接将下一个字节也读入进行共同解析。

Unicode编码：
这里主要介绍UTF-8
UTF-8使用可变长字节来表示一个字符，具体可参考下表[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-KeK3CBwq-1644569389530)(2)]
小于128的，编码与ASCII码一样，最高位为0。其他编号的第一个字节有特殊含义，最高位有几个连续的1就表示用几个字节表示，而其他字节都以10开头。
这里举一个例子来表示一个字符的Unicode编码
通过Unicode工具查询到字符’馨’的十六进制数为99A8(39336)。按照上表的范围可知，需要3个字节进行表示（当然，这里也可以通过写出2进制，倒推出具体需要多少位）。则其二进制格式为

1110xxxx 10xxxxxx 10xxxxxx

0x99A8的二进制为

1001 100110 101000

将上面的二进制数依次填入Unicode格式中即可得到字符’馨’的UTF-8编码

11101001 10100110 10101000

char

*char本质上是一个占用两个字节的无符号正整数。*在Java内部进行字符处理时，采用的都是Unicode编码。所以char只能表示Unicode编号在65536以内的字符（存储原编号的二进制数）。超出这个范围的字符，就只有使用2个char或String、Character来进行表示。

总结

在此基础上，上文的多个知识点也就被串联了
以下是char的赋值

char a = 'A';
char b = '馨';
char c = 39336;
char d = 0x99A8;
char e = '\u99A8';

以上代码，除了a是’A’，其他的4种赋值方式表示的字符都是’馨’。

基于以上编码知识，能初步认识到乱码无非就两种情况：

1. 解析错误：一个GBK编码的字符，用Unicode进行解析，得到的可能就是一个乱码
2. 错误解析与编码转换：
   （1）字符串“丁香花”，本来的编码格式是GB18030，编码(十六进制)是b6a1cfe3bba8
   （2）这个二进制形式被错误当成了Windows-1252编码，解读成了"¶¡Ï㻨"(java可参考在Java中使用Windows-1252)
   （3）随后这个字符进行了编码转换，转换成了UTF-8编码，形式还是"¶¡Ï㻨"，但十六进制变成了c2b6c2a1c38fc3a3c2bbc2a8
   （4）这个时候再按照GB18030解析，字符就变成了乱码形式"露隆脧茫禄篓"，而且这时无论怎么切换查看编码的方式，这个结果看起来都是乱码。

PS UTF-8 编码格式补充

• 一字节：0xxxxxxx
• 二字节：110xxxxx 10xxxxxx
• 三字节：1110xxxx 10xxxxxx 10xxxxxx
• 四字节：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx