Surrogate 這個概念,不是來自 Java 語言,而是來自 Unicode 編碼方式之一 UTF-16 。
具體請見: UTF-16
簡而言之,Java 語言內部的字符信息是使用 UTF-16 編碼。因為,char 這個類型是 16-bit 的。它可以有65536種取值,即65536個編號,每個編號可以代表1種字符。但是,Unicode 包含的字符已經遠遠超過65536個。那,編號大於65536的,還要用 16-bit 編碼,該怎麼辦?於是,Unicode 標準制定組想出的辦法就是,從這65536個編號裏,拿出2048個,規定它們是「Surrogates」,讓它們兩個為一組,來代表編號大於65536的那些字符。
更具體地,編號為 U+D800 至 U+DBFF 的規定為「High Surrogates」,共1024個。編號為 U+DC00 至 U+DFFF 的規定為「Low Surrogates」,也是1024個。它們兩兩組合出現,就又可以多表示1048576種字符。
作者:圓月亮
链接:https://www.zhihu.com/question/42176549/answer/93852738
来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
public static void main(String[] args) throws UnsupportedEncodingException { String str = null; str = "中"; System.out.println(str.getBytes("GBK").length); // 2 System.out.println(str.getBytes("UTF-8").length); // 3 System.out.println(str.getBytes("UNICODE").length); // 4 System.out.println(str.getBytes("UTF-16").length); // 4 str = "b"; System.out.println(str.getBytes("GBK").length); // 1 System.out.println(str.getBytes("UTF-8").length); // 1 System.out.println(str.getBytes("UNICODE").length); // 4 System.out.println(str.getBytes("UTF-16").length); // 4 System.out.println(0xD800 + "-" + 0xDBFF); System.out.println(0xDC00 + "-" + 0xDFFF); // Character.codePointAt(); }
浙中文字符反转义
<dependency> <groupId>org.kie.modules</groupId> <artifactId>org-apache-commons-lang3</artifactId> <version>6.5.0.Final</version> </dependency>
String s3 = StringEscapeUtils.unescapeHtml4("浙江 绍兴"); System.out.println(s3);