字符编码

Unicode字符集

在unicode出现之前，有很多编码标准，如：

	编码标准
英语语系	ASCII （7个bit表示一个字符）
西欧	ISO 8859-1 （8个bit表示一个字符）
中国	GBK

多种编码标准产生了以下问题：

1. 某个字符可能不在某个编码标准中。
2. 某个字符在不同的编码标准中，其编码值不同。

Unicode字符集中包含了全球所有的通用字符，每个字符都有一个编码值，但并没有指明该字符如何在计算机中存储。

Unicode主要使不同编码标准之间的相互转换成为可能。

Unicode字符集的实现

几个专业术语的介绍：

• 码点值：字符的unicode编码值
• 码点单元：编码一个字符所需的基本单位，如UTF-16一个码点单元占16位即2字节。

UTF-16

UTF-16编码是Unicode字符集其中的一种实现，字符Unicode值到UTF-16编码值的转换示例如下：

字符	Unicode值(16进制)	UTF-16编码值（字节之间的值以逗号分隔）
A	0x0041	0，65
衡	0x8861	-120，97

Java char类型与UTF-16

Java语言采用的是UTF-16编码标准，一个char占两个字节，恰好与UTF-16的一个码点单元所占大小相同。

一个码点单元16位，其值范围0~65535。可以容纳65535个字符，但后来又扩充了大量的新增字符（如中文、韩文、日文的表意字符）。一个char自然就无法表示这些字符了，至少需要一对char来表示。

如字符："𝕆"，其码点值（Unicode编码值）为：\u1d546。需要\ud835和\udd46两个码点单元来表示。

        /*
         * 两个char才能表示该字符，故只能用字符串引用。即 new String(new char[] {'\ud835','\udd46'})
         */
        String cc = "𝕆";

        System.out.println("cc的码点单元：" + cc.length() + "个");// 2

        // cc是一个字符，码点值（Unicode编码值）自然是1
        System.out.println("cc的码点值有" + cc.codePointCount(0, cc.length()) + "个");// 1

        int codePonitValue = cc.codePointAt(0);
        System.out.printf("cc的码点值%d, 十六进制为%x", codePonitValue, codePonitValue);// 120134 1d546
        
        
        System.out.println("");
        byte[] bytes = cc.getBytes("UTF-16");
        for (byte b : bytes) {
            System.out.print(b+",");//-2,-1,-40,53,-35,70,  
        }
        System.out.println("");
        
        //-2，-1应该是UTF-16的前缀标志
        System.out.println(new String(new byte[] {-40,53,-35,70}, "UTF-16"));//𝕆

程序输出：

cc的码点单元：2个
cc的码点值有1个
cc的码点值120134, 十六进制为1d546
-2,-1,-40,53,-35,70,
𝕆