文本在内存中的编码(1)——乱码探源(4)

2019独角兽企业重金招聘Python工程师标准>>>

让我们从一个故事开始说起。话说北大是很有哲学传统的，当你准备踏进北大校门时，连门卫都会连问你三个终极哲学问题：

你是谁？你从哪里来？你要到哪里去？

那么这与我们的问题又有何关系呢？我觉得理解内存中的编码的关键在于理解String类型，因此我们也来探讨一下String的前世今生：String是谁（什么）？String从哪里来？String到哪里去？

当我们能够清晰地回答这三个终极问题时，对文本在内存中的编码也算理解得差不多了。

注：文中将用Java平台为例来探讨这些问题。

String是什么？

要回答这个问题，源码当然是最好的参考。

字符序列(CharSequence)

如果看String类型的声明：

public final class String
    implements java.io.Serializable, Comparable<String>, CharSequence {
    
    private final char value[];
	
	// ...
}

可以看到它实现了所谓的CharSequence接口，所以它是一个char序列，内部实质是一个char数组。

也即上述代码中的”char value[]“，（也许你觉得”char[] value“的写法更习惯一些，两者是等价的）

如果再看String的length方法，事实就更清楚了，实际上取的是char数组的长度：

public final class String
    implements java.io.Serializable, Comparable<String>, CharSequence {
    
    private final char value[];
	
	// ...
	
	public int length() {
        return value.length;
    }
}

到现在为止，可以这样看String：

char

现在新的问题是：什么是char呢？Java中的char是一种基础的数据类型，用于表示字符，长度为16位。

可以把char看作是无符号的16位短整型。

一个byte是8位，那么一个char就相当于两个byte了，所以也可以把String视作为byte数组。（这是毫无疑问的，事实上整个内存就是一个大大的byte数组）

那么一个String在内存中总是占据偶数个字节，具体地说是占用length()×2个字节。

当然，单独地拿出String中的一个byte出来是没有意义的，你总是需要两个两个一起地操作它们，但这并不妨碍我们把它看成byte数组，它可以说是有点特殊的byte数组。

容量问题

显然，由于char是16位固定长度，它的容量总是有限的，上限是2¹⁶=65536，能表示0-65535（0x0000-0xFFFF）。

即便满打满算它也只能表示6万多个不同字符而已，另一方面，Unicode规划的字符空间高达100万以上，最新版本已经定义的字符也超过了10万。

规划的码点范围具体为U+0000-U+10FFFF。char能表示前面的U+0000-U+FFFF，对于U+10000-U+10FFFF则无能为力。

所以一个显然的事实就是单个的char无法表示所有的字符。比如下面的这个音乐符：

它的十进制的码点为119070，已经远超过65535，肯定不能放到char里，实验也可证实这一点：

萝卜太多，坑位不够，怎么办呢？

解决方案

一种方式自然是对char进行扩展，比如弄成32位的，不过这样会造成很大的内存浪费。

另一种方式就是对后面的那些字符使用两个char来表示，也即是所谓的代理对方式，需要注意的是不能跟单个char表示的字符冲突。

Java采用的就是这样方式，其后果是使得char无法与”抽象的字符“这一概念划上等号，一一对应的关系被打破了。

我们具体来看下是怎么做的。

首先char有256×256=65536个空间：

常用的字符都可以在这个空间内表示，包括绝大多数的汉字。

比如“a”分配到的编码是“0061”，而“你”分配到的是“4F60”。

那么一个字符串，比如“a你”就有两个char，内存中占4个字节：

然后对于那个音乐符而言，它的码点为U+1D11E，有5位，当然不能简单直接地分成0001和D11E两部分。

这样会与U+0001和U+D11E冲突。

所以首先要保留一些char，它们单个而言不代表任何抽象的字符，具体地说保留了D800-DFFF共2048个位置：

然后横竖弄成一张表，能够形成100多万种组合（1K=1024）：

在这种表示方式下，U+1D11E对应的是D834和DD1E两个char：

具体的转换方式可见：字符集与编码（四）——Unicode

我们就用这两个char一起来表示这个字符。这个字符无法放到单个的char中，但它可以放到String中，因为String是char数组。

综述

以上其实就是UTF-16的编码方式。你经常能听到这样的说法，比如：Java平台在内存中使用Unicode编码。这其实说得很笼统，让我们把它说得更具体一些：

Java中的String类型在内存中使用UTF-16编码。

String以char作为它的构成单元，这样一个16位的char也称为UTF-16编码的一个代码单元（code unit）。

通常，一个char对应一个抽象的字符，但也可能需要两个char构成一个所谓的代理对才能表示一个抽象的字符。

所以这也导致了一些尴尬的情况，对于一些抽象字符它的长度是2.

这与我们的直觉不符，又如下面的情况：

两个抽象字符，内部为3个char，所以长度是3，在内存中则占据了6个字节。你可能不是很喜欢这样的String类型，但事实就是这样。

另可见字符集与编码（五）——代码单元及length方法

其它选择

自然，你有很多的选择。如果你自己去实现一个语言平台，你当然也可以选择一个其它的编码，比如UTF-8，甚至是UTF-32作为String的内部编码。

考虑到UTF-32用四字节表示一个字符，通常一个int类型也是4字节，那么这种方式几乎可以认为是用一个int数组来保存字符。

明白了String是什么之后，在下一篇再继续探讨String从哪里来的问题。我们将深入探讨String的构造，字节流和字符流以及编码间的转换等问题。

转载于:https://my.oschina.net/goldenshaw/blog/470946