byte数组转blob类型_从char、byte互转，到键盘发展史。史上最深刻的字符集知识总结...

作者 | Java圣斗士

文章稍长，赶时间的小伙伴可以直接跳转到“结语”部分。

在 Java 语言的学习之初，每个人都会接触到 8 种基本类型，其中有两个基本类型：char 和 byte ，在很多情况下是需要经常进行转换的，包括 NIO 的各种应用场景。例如消息指令的传输，就需要将一个 String 转为 byte[] 数组。

其实一直以来，我都有一个疑问，或者说对这两者之间的转化比较模糊。来看看下面的问题：

String name = "abcde";System.out.println(name.length());System.out.println(name.getBytes().length);

我们知道，String 的本质是 char[] 数组，那么第一条输出语句实际上输出的就是 char[] 数组的长度，而我们通过 getBytes()方法获取到了一个 byte[] 数组，长度又是多少呢？

输出结果：

可以看到答案依然是 5。 Why？

Java 中 char 类型的变量占 2 个字节，byte 是 1 个字节，为什么一个长度为5的char[] 数组转成 byte[] 之后长度却依然相同，而不是 10 呢？

一、再谈 Unicode 与 ASCII 编码

在所有的字符集中，最著名的可能要数 ASCII 字符集。它是“美国标准信息交换代码”的缩写。

ASCII 共记录了128个字符。包括英文字母大小写、阿拉伯数字、以及各种标点符号等等。

它的第一次发表是在 1967 年，可有些小伙伴不禁疑惑了，以前学习 Java 或者是计算机导论的时候也有提到过 ASCII 码这东西，但是它究竟为什么被发明出来呢？

原来啊，早在ASCII 发明之前，键盘就已经被发明出来了。

“what ？ 你这跨度有点大！咋就突然说起键盘来了？”

没错，ASCII码的发明和键盘有着千丝万缕的联系。

我们知道，键盘实际上是由打字机演变而来，随着计算机设备的逐渐成型，人们通过电路系统将打字机进行重组，变成了一个可供人们向计算机输入内容的设备——keyboard，键盘。

但是这个时候，键盘的制作还没有一个标准的规范，很多能够生产键盘的厂商，可能都会有自己的一套标准。

我们知道计算机内部是通过高低电平来区分1 和 0 的，所以，不论我们输入什么，都必须将其转换为能够让计算机识别的一串0101...

比如说英文字母 A，有的键盘制造商可以把它转成了 1111，而有的转成了1100，那不同的键盘可能都无法通用了，与计算机 CPU 的交互也形成了混乱。怎么办？

聪明的发明家们想出了一个办法，制定一套标准信息交换的编码表，将英语中能用到的所有可打印的字符和一些制表符，如a、B、c、+、@等等，全部规定它们对应的0101串是怎样的，这些01串是不会重复的，有了这个对照表，人们就可以制造出符合同种标准的键盘。

这就是 ASCII 码的诞生。

但是，由于当时的ASCII 的诞生只考虑到了英语和一些西欧国家的语言，使用 7 位01串来表示一个英文字符，在计算机内存中就是通过一个字节(8位)来存储。因此，所能表示的全部字符(包括一些无法打印的制表符)加起来总共也才128个。

随着计算机技术的全球化，人们逐渐意识到:

“这个表太小了！”

现在，我们知道， ASCII 码的本质就是建立 “01010101”串与英文字符的一一对应关系。但是对于很多象形文字或者非拉丁语系的语言来说，语言中单位最小的字符有成千上万，就以汉语来说。“我”、“爱”、“中”、“国”这四个字符就是独一无二的，必须要找到能够表示它们的 01 串！

计算机中的位数是限制取值范围的关键因素，8位的字节最大能够表示出256个符号，怎么办？

还是聪明的发明家们，他们想出的办法是——再加一个字节！

于是 Unicode 诞生了。

Unicode 编码采用 2 个字节的表示方式，总共16位，从16个0，到16个1，所能表示的数字总共有 65535个。

这样，地球上所有语言的字符就都能够表示了！

而且，Unicode也包含了 ASCII，因为Unicode编码表的前128个，就是ASCII 表中的那128个字符，只不过通过补0的方式，变为了两个字节。

在Unicode 编码诞生之后，各大计算机相关厂商纷纷对其进行了支持，而Java 语言本身也是由Unicode 编码的，因此很多中文内容是可以被 Java 语言识别的。

二、再谈 char 与 byte 转化

既然我们已经了解了Unicode 编码和ASCII 码的区别，那我们再回到最初的问题，为什么一个char[] 数组，通过 getBytes()方法获取到 byte[] 数组之后，长度依然不变？

或者考虑这样的场景：

byte a = (byte) '中';byte a1 = '-';byte b = 'a';System.out.println(a);System.out.println(a1);System.out.println(b);

输出结果是：

我们看到，a 和 a1 输出了同样的结果。这就是因为汉字无法用一个字节的 byte 来表示所导致的结果。

a1 所表示的字符，是标准ASCII 码中规定的字符。在刚刚的讨论中，我们已经知道，这些字符都可以通过一个字节来表示，因此即便Java是由Unicode 编码，像这样的字符在char、byte，甚至是int 之间都是可以直接自动转化的，而不需要强转。

因此，前面最开始的“abcde”字符串，通过 getBytes()获取到的byte[] 数组长度依然是 5，就是这个原因。但如果是字符串“祖国我爱你”这 5 个字符，恐怕结果就无法预测了：

果然，长度不同，可是为什么是15呢？

这个问题就需要涉及到另一种衍生的编码格式UTF-8，简单的说，它是一种更加先进的Unicode编码方式，可以通过变长字节表示一个字符。

我们在前面比较 Unicode 和 ASCII的时候，提到了前者为了表示世界上更多语言的字符，无奈地扩充了字节个数，使用2个字节来表示，而后者在制定之际只考虑到了英语，只用了1个字节来表示。

虽然Unicode标准编码可以解决无法表示象形文字的问题，但是依然存在缺点，就是即便在不需要2个字节表示字符的情况下，如ASCII 码表中的所有字符，也都需要扩展到2个字节以符合Unicode编码，很明显，内存扩大了一倍，这在很多根本不需要那么多复杂字符的北美和西欧国家是不情愿的。

为了解决内存的问题，变长的UTF-8编码诞生了。

它可以用1到4个字节来表示字符，也就是说，有时候1个字节能表示的，它就会用1个字节来表示，有时候需要2个字节的字符，就用2个字节，依此类推。

这也就解释了为什么上面的程序输出结果的不同。

三、结语

上面的长篇大论实际一直在描述ASCII、Unicode、UTF-8的一些由来和区别。

其实简单的描述它们的本质，就是一些语言符号如‘a’、‘b’、‘c’、‘汉’、‘字’，与01串的对照表。

ASCII只考虑到了英语，因此无法推广到全世界。

Unicode通过增加一个字节的方式，解决了所有人类语言的字符都能够表示的问题。

UTF-8 本身也是Unicode编码，不过是可以进行变长表示，按需分配字节，节省了内存。

四、写作心得后记

在写这篇文章之前，我的思路并不是这么清晰的，问题的矛头是getBytes()，它得到的byte[]数组长度和char[]长度相同使我产生了疑惑。

于是我开始搜索：为什么char是两个字节，转成byte之后长度不变，等等。

随着答案的逐渐清晰，我也慢慢弄懂了：char、byte的转化方式，再到Unicode 与 ASCII编码，甚至了解了键盘的发展历史，知道了原来键盘的发展也伴随着层层革命，甚至还有“劣势产品驱逐优势产品”的典型现象。

可以说从一个简单的小问题，不仅巩固了以往的编码知识，又学到了这么多历史人文，真的是受益匪浅，堪称令我印象最深刻的编码知识总结了。因此写出来分享给大家。

文章其实挺长，如果你能坚持看到这里，真的非常感谢，也非常感谢各位小伙伴的支持和鼓励。

未来只要是有任何工作或者学习上的心得，都会分享出来，一起讨论。

往期精彩：

对话式情景剖析，String被final修饰的真正原因！一篇足矣

注释有多重要，看了这一篇你还不重新思考一下吗？

被美制裁的华为如今怎么样？华为董事长：上半年收入4013亿

情景对话，一篇带你参悟单例模式

学编程，一定要找到适合自己的学习方法

关注Java圣斗士，收藏有深度、有想法的经典好文。有人说“深度决定高度”，做技术，就应该不断深入。期待与你一同站在巨人的肩膀上，俯瞰着世界！