1. .java 文件和 .class 文件的字符编码
java 源文件<small>（.java）</small>和编译后的 .class 文件的编码并不一样。
源文件 .java 可以采用多种编码格式，如
- UTF-8<small>（unix linux 平台默认）</small>。或者
- GBK<small>（windows 平台默认）</small>。
之所以有<small>（可以有）</small>多种编码格式，是因为源文件毕竟是给「人」看的，不是给 jvm 看的，它用什么编码格式 jvm 根本就不关心。
当将源码用 javac 编译的时候，默认是 javac 按照系统默认的编码格式读取 java 源文件，然后以 utf-8 的格式输出到 .class 文件中。
换句话说，在默认情况下
-
unix 平台，
javac用 utf-8 格式读取 java 源文件 然后以 utf-8 格式写 .class； -
在默认情况下 windows 平台，
javac用 gbk 格式读取 java 源文件然后以 utf-8 格式写 .class 。
所以，中文字符乱码的根本原因在于，你<small>（有意或无意）</small>没有使用默认编码规则存储 .java 文件，而 javac 却又是按照默认规则去读 .java 文件，这就出现了乱码。
例如， 在 windows 平台下用 utf-8 格式保存 java 源文件， 那么你在执行 javac 命令编译源文件时，你需要「告诉」javac 命令，你要编译的源文件的编码格式。否则，会有乱码问题。
2. Java 中字符串的长度
在 Java 中一个字符串的长度并「不能」简单地、想当然的想象成是其中所有字符数的累加和！
以下内容来自 stackoverflow 中的总结和解释
-
A Java char takes always 16 bits.
-
A Unicode character, when encoded as UTF-16, takes “almost always” (not always) 16 bits: that’s because there are more than 64K unicode characters. Hence, a Java char is NOT a Unicode character (though “almost always” is).
-
“Almost always”, above, means the 64K first code points of Unicode, range 0x0000 to 0xFFF (BMP), which take 16 bits in the UTF-16 encoding.
-
A non-BMP (“rare”) Unicode character is represented as two Java chars (surrogate representation). This applies also to the literal representation as a string: For example, the character U+20000 is written as “\uD840\uDC00”.
-
Corolary: string.length() returns the number of java chars, not of Unicode chars. A string that has just one “rare” unicode character (eg U+20000) would return length() = 2 . Same consideration applies to any method that deals with char-sequences.
-
Java has little intelligence for dealing with non-BMP unicode characters as a whole. There are some utility methods that treat characters as code-points, represented as ints eg: Character.isLetter(int ch). Those are the real fully-Unicode methods.
String str1 = "\uD840\uDC00";
String str2 = "𠀀";
System.out.println(str2.length());
System.out.println(Character.isLetter(str2.charAt(0)));
3. 中日韩文的 UniCode 码点
CJK 的意思是 Chinese，Japanese，Korea 的简写 ，实际上就是指中日韩三国文字<small>（象形文字）</small>的 Unicode 编码。
| 字符集 | Unicode 编码 | 标识 |
|---|---|---|
| 部首扩展 | 2E80 - 2EFF | CJK Radicals Supplement |
| 康熙部首 | 2F00 - 2FDF | Kangxi Radicals |
| 汉字结构 | 2FF0 - 2FFF | Ideographic Description Characters |
| 汉语标点符号 | 3000 - 303F | CJK Symbols and Punctuation |
| 日语注音 | 3100-3120 | Bopomofo |
| 注音扩展 | 31A0-31BA | Bopomofo Extended |
| 汉字笔画 | 31C0-31EF | CJK Strokes |
| 扩展 A | 3400 - 4DBF | CJK Unified Ideographs Extension A |
| 基本汉字 | 4E00 - 9FFF | CJK Unified Ideographs |
| 兼容汉字 | F900- FAD9 | CJK Compatibility Ideographs |
| 全角半角字母符号 | FF00 - FFEF | Halfwidth and Fullwidth Forms |
| 扩展 B | 20000-2A6DF | CJK Unified Ideographs Extension B |
| 扩展 C | 2A700-2B73F | CJK Unified Ideographs Extension C |
| 扩展 D | 2B740-2B81F | CJK Unified Ideographs Extension D |
| 兼容扩展 | 2F800-2FA1F | CJK Compatibility Ideographs Supplement |
4. Java 完美判断中文字符的方案
<small>方案/思路是 ok 的，细节可以再调整。</small>
// 根据 Unicode 编码完美的判断中文汉字和符号
private static boolean isChinese(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B
|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION
|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS
|| ub == Character.UnicodeBlock.GENERAL_PUNCTUATION) {
return true;
}
return false;
}
5. 三种空格
| 空格 | Unicode 码 | 说明 |
|---|---|---|
| 不间断空格 | \u00A0 |
主要用在 office 中，让一个单词在结尾处不会换行显示，快捷键 ctrl+shift+space |
| 半角空格<small>（英文符号）</small> | \u0020 |
代码中常用的 |
| 全角空格<small>（中文符号）</small> | \u3000 |
中文文章中使用 |
网友评论