回家的路上,突然想起今天好像是我的生日,于是发生了下面的聊天。
![dfa548a235b6c712ca018b6108b8e46b.png](https://i-blog.csdnimg.cn/blog_migrate/62ea76a72e2249e42991d435aa32f881.jpeg)
我好难啊,
![044c0ed16c2ae284b404b0578901af0a.gif](https://i-blog.csdnimg.cn/blog_migrate/35ead003a9d3e238b074810edc38b17f.gif)
如此艰难的写个技术文章,大家赶紧给我点个赞,抚慰我受伤的心灵。
好了,言归正传,该做正事的时候还是得认真对待,话说上回说到《编码字符集和字符集编码傻傻分不清楚,看完这篇文章你就懂了》,留下了上上回的待解决的问题,前文总结了两句很重要的话:
编码字符集里的每一个字符规定的顺序,叫码点( code point ),而这个字符在编码字符集里的序号,在给定的编码方式下的二进制序列叫码元( code unit )。
今天,我们正式进入 Java 的编码世界,在 Java 编码体系中要区分清楚内码和外码:
1)内码是程序内部使用的字符编码,特别是某种语言实现其 char 或 String 类型在内存里用的内部编码;
2)外码是程序与外部交互时外部使用的字符编码。“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”。例如,外部可以是序列化之后的 char 或 String,或者外部的文件、命令行参数之类的。
Java 内码
Java 语言设计之初就认识到统一字符集( Unicode )的重要性,积极拥抱了问世不久的 Unicode 标准。Java 语言规定:Java 的 char 类型是 UTF-16 的 code unit ,也就是一定是16位(2字节);然后字符串是 UTF-16 code unit 的序列;这样,Java规定了字符的内码要用UTF-16编码。
在 UTF-16 设计之初,采用的是定长编码,尴尬的是,随着更多字符的引入,尤其是汉语、韩语和日文中的表意文字的引入,使得 Unicode 远远超出 16 比特编码的范围。当单元固定长度 16 位的UTF-16 到达容量上限不能支持更多的 Unicode 字符的时候,Unicode 协会放弃了定长 UTF-16,取而代之的是 16 位的变长编码 UTF-16。
这样 UTF-16 就变成了坑爹的变长编码(也就是说一个完整的“字符”是一个码点,一个码点可以对应 1 到 2 个码元,一个码元是16位)。
Java 语言深受其苦,但也只能跟进,引入码点和码元两个概念,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 位的码元,也就是说 Java 的char类型不一定能表示一个UTF-16的“字符”, 只有只需1个码元的码点才可以完整的存在 char 里。
String 作为 char 的序列,可以包含由两个码元组成的 “surrogate pair” 来表示需要 2 个码元表示的 UTF-16 码点,为此 Java 的标准库新加了一套用于访问码点的 API,而这套 API 就表现出了 UTF-16 的变长特性。
为什么那么关注码点和码元?
在处理字符串时使用 length 和 charAt 等方法时返回的是编码后的码元数量而不是认为的字符个数,在一个字符串内如果有使用多个码元表示的字符,在使用以上的方法时会出现检索错误,比如:
![980dadb55889b0aa8bf63cf3436fdab9.png](https://i-blog.csdnimg.cn/blog_migrate/482963ba1c4a45af6d61b1cbf59614d1.jpeg)
length 方法返回给定字符串采用 UTF-16 编码表示时所需要的码元的数量,charAt(n) 方法,将返回位置n的代码代码单元,n 介于 0~greeting.length() -1之间
![b04bdba278cb244bb1fa9cb7a12b464e.png](https://i-blog.csdnimg.cn/blog_migrate/6b422abd9aa3c717655173880a3461d8.jpeg)
注意,代理(辅助)字符需要 2 个码元才可以表示,所以通过 charAt 获得的可能不是某个字符,而是辅助字符的一个码元。为了避免这个问题,不要使用 char 类型,它太底层了。
举个简单的例子,字符串反转,我们经常会写出下面的代码,如果遇到特殊字符,比如需要两个码元来表示的字符,就会出错:
![106564255b85fb6ede46e02ab7baec8c.png](https://i-blog.csdnimg.cn/blog_migrate/7aa006c8c4baa11824574e1c61e1e878.jpeg)
Java 外码
外码是程序与外部交互时外部使用的字符编码,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,有参数版使用参数指定的编码作为外码;将 String 的内容用外码编码好,结果放在一个新 byte[] 返回。
new String("字").getBytes().length 返回的是 3 ,这说明缺省编码是 UTF-8。如果你显式地传入一个参数,比如这样 new String("字").getBytes("GBK").length,那么返回就是 2。
你可以在启动 JVM 时设置一个缺省编码,比如这样:java -Dfile.encoding = GBK,这时你再执行不带参数的 getBytes() 方法时,new String("字").getBytes().length 返回的就是 2 了,因为现在缺省编码变成 GBK 了。
注意:通常,Windows 系统下是 GBK,Linux 和 Mac 是 UTF-8 。但有一点要注意,在 Windows 下使用 IDE 来运行时,比如 Eclipse,如果你的工程的缺省编码是 UTF-8,在 IDE 中运行你的程序时,会加上上述的 -Dfile.encoding = UTF-8 参数,这时,即便你在 Windows 下,缺省编码也是 UTF-8,而不是 GBK。
现在我们可以来回答上上回遗留的问题了:Java 中理论说是一个字符(汉字)占用两个字节。但是在 UTF-8 的时候 new String("字").getBytes().length 返回的是 3 表示 3 个字节,Java 中 char 占多少字节?
答:Java语言规定,Java 的 char 类型是 UTF-16 的码元,所以 char 一定是16 位( 2 字节);
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,有参数版使用参数指定的编码作为外码;将String 的内容用外码编码好,结果放在一个新 byte[] 返回。
显然外码是 UTF-8,那么调用了 String.getBytes() 之后得到的 byte[] 只能表明该外码的性质,而无法碰触到 String 内码的任何特质。
显然,Java 的编码远不止如此,比如我们读写 IO 的时候,我们也会遇到编码解码,啊,我的天,坑越来越大了,期待下期吧。
挖坑序列文章
你的懂 Java 的 String 吗?
为什么 String 要设计成 final ,又如何设计一个不可变类呢?
字符集编码和编码字符集,傻傻分不清楚!看完这篇你就懂了