JAVA中的char只有两个字节，如何存下中文？

先运行下面代码

public class Test {
    public static void main(String[] args) {
        char c2 = 'a';
        System.out.println("\"a\"字的10进制整数" + (int)c2);
        System.out.println("\"a\"字的16进制整数" + Integer.toHexString(c2));
        String s2 = "a";
        byte[] s2UTF8Bytes = s2.getBytes(StandardCharsets.UTF_8);
        System.out.println("\"a\"字的UTF_8编码的字节长度："+s2UTF8Bytes.length);
        for (int i = 0; i < s2UTF8Bytes.length; i++) {
            System.out.println("\"a\"字的UTF_8编码的第"+i+"字节为："+Integer.toHexString(s2UTF8Bytes[i] & 0xFF));
        }

        char c1 = '丁';
        System.out.println("\"丁\"字的10进制整数" + (int)c1);
        System.out.println("\"丁\"字的16进制整数" + Integer.toHexString(c1));
        String s1 = "丁";
        byte[] s1UTF8Bytes = s1.getBytes(StandardCharsets.UTF_8);
        System.out.println("\"丁\"字的UTF_8编码的字节长度："+s1UTF8Bytes.length);
        for (int i = 0; i < s1UTF8Bytes.length; i++) {
            System.out.println("\"丁\"字的UTF_8编码的第"+i+"字节为："+Integer.toHexString(s1UTF8Bytes[i] & 0xFF));
        }
    }
}

运行结果

"a"字的10进制整数97
"a"字的16进制整数61
"a"字的UTF_8编码的字节长度：1
"a"字的UTF_8编码的第0字节为：61
"丁"字的10进制整数19969
"丁"字的16进制整数4e01
"丁"字的UTF_8编码的字节长度：3
"丁"字的UTF_8编码的第0字节为：e4
"丁"字的UTF_8编码的第1字节为：b8
"丁"字的UTF_8编码的第2字节为：81

由运行结果引出几个问题：

1. a和丁是如何转为数字的？
2. a和丁的数字97、61、19969、4e01、e4b881，他们是如何对应的？
3. a的UTF8编码为1字节、丁的UTF8为3字节，如何存入容量是2字节的char类型里面的？

第一个问题很好回答，因为无论是中文字符还是英文字符，甚至其他的生僻字符，都是是以二进制形式存在计算机内存中的，像是01100001这样的，对应的就是十进制的97。

第二个问题，这些文字字符和数字不是随机对应的，是有固定的对应关系的，在java中使用的这个对应关系就是Unicode字符集。

• Unicode是一个字符集，它为世界上几乎所有的字符分配了一个唯一的数值，即码点（code point）。
• Unicode的目标是提供一个全球通用的字符编码，以涵盖世界上所有的文字系统。
• Unicode的码点通常用十六进制表示，例如，中文字符“啊”在Unicode中的码点是U+554A。

查询Unicode码表，

a对应的Unicode编号为U+0061，这是十六进制的，换算为十进制就是97。

丁对应的Unicode编号为U+4E01，十进制为19969

到此，a对应的十进制97、十六进制61 和 丁对应的十进制、十六进制4e01都有了解释，在来看UTF8编码。

UTF-8（8位元，Universal Character Set/Unicode Transformation Format）是针对Unicode的一种可变长度字符编码。它可以用来表示Unicode标准中的任何字符，而且其编码中的第一个字节仍与ASCII相容，使得原来处理ASCII字符的软件无须或只进行少部分修改后，便可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或传送文字的应用中，优先采用的编码。Unicode只是一组字符设定或者说是从数字和字符之间的逻辑映射的概念，但是它并没有指定代码点如何在计算机上存储，Unicode的编码有：UTF-8、UTF-16、UTF-32，UTF后的数字代表编码的最小单位，如UTF-8表示最小单位是8位，即1字节。

下面是UTF-8的编码规则

字节	格式	实际编码位	码点范围
1字节	0xxxxxxx	7	0 ~ 127
2字节	110xxxxx 10xxxxxx	11	128 ~ 2047
3字节	1110xxxx 10xxxxxx 10xxxxxx	16	2048 ~ 65535
4字节	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx	21	65536 ~ 2097151

表格中的x就是用unicode对应的二进制进行替换填充。

a的unicode十进制是97，对应码点范围是0~127，只有1字节，

UTF-8的二进制为01100001，十六进制就还是61

丁的unicode十进制是19969，对应码点范围是2048~65535，有3字节，

UTF-8的二进制为11100100 10111000 10000001，十六进制就是 E4 B8 81

其实在前面提到的Unicode码表中已经给出了对应的编码

最后一个问题，char如何存进3字节的中文的？

答案是char存的是UTF-16BE的编码，这个编码的中文是2字节的，见上图。

Unicode是有超过2字节的码点的，这些码点都无法装入java的char类型中，如：

char cc = 😀;

上面的代码是会报错的，

补充：

前面的代码中有这样一段：

Integer.toHexString(s2UTF8Bytes[i] & 0xFF));

为什么要对字符串转为的字节做与运算？

这是因为内存中的二进制是以补码的形式存在的，而Integer.toBinaryString 和 Integer.toHexString 方法都是直接把内存中二进制的给出来，丁的UTF8二进制：11100100 10111000 10000001，系统都会认为是补码，再由byte（11100100 ）转为int（11111111111111111111111111100100），8位填充到32位的时候，负数的高位都是补1，结果就是等于了-28，所以需要通过 & 0xFF 运算消除高位多余的1，转为int（00000000000000000000000011100100），对应十进制228 和 十六进制E4，才能获得原本二进制对应的数字。