内容为个人学习心得，不能对准确性做过多保证，错误之处还望指点。
有时候我们会遇到一些\u开头的字符串，我们知道这些是Unicode码，一组\uxxxx字符串对应了一个Unicode字符。那这些编码字符的实际二进制存储格式是怎样呢？
我们知道Unicode编码可以呈现世界上大部分的文字内容，而在其最通用的一种编码方式UTF-8下,单字符的存储长度为1-4字节（可变），这种设计的由来和优点就不多讲了，这里主要说说看到的\u编码串和二进制的换算方式。
在UTF-8编码格式的java代码下，对“测试”两个字打印其字节和字符结果如下：
System.out.println(Charset.defaultCharset());
String s = "测试";
System.out.println(s.chars().mapToObj(Integer::toHexString).collect(Collectors.joining("\t")));
byte[] bs = s.getBytes();
System.out.println(Arrays.toString(bs));
/*Result:
UTF-8
6d4b 8bd5
[-26, -75, -117, -24, -81, -107] */
观察结果可知，“测试”两个字在UTF-8编码下占六个字节，将 【-26, -75, -117, -24, -81, -107】 6个数字转为二进制补码格式，即得到“测试”两字的二进制存储内容，为：
11100110 10110101 10001011 11101000 10101111 10010101
而通过char.ToHexString得到的 6d4b 8bd5 是这两个字的Unicode编码
这两者是怎么关联上的呢?
通过UTF-8的百科页面有如下介绍：
UTF-8编码字节含义
- 对于UTF-8编码中的任意字节B，如果B的第一位为0，则B独立的表示一个字符(ASCII码)；
- 如果B的第一位为1，第二位为0，则B为一个多字节字符中的一个字节(非ASCII字符)；
- 如果B的前两位为1，第三位为0，则B为两个字节表示的字符中的第一个字节；
- 如果B的前三位为1，第四位为0，则B为三个字节表示的字符中的第一个字节；
- 如果B的前四位为1，第五位为0，则B为四个字节表示的字符中的第一个字节；
因此，对于上面得到的二进制串，每8位中的前面部分都是用来做标记的，1110开头表明需要3个字节来描述当前字符，并且当前字节为3字节中的第一部分，后面的字节使用10开头表明自己是当前字符编码串的后面部分。
把前三字节这些标记为去掉再合并，得到 0110 110101 001011，而“测”字的16进制Unicode编码转为二进制，正是0110 1101 0100 1011。
这样做的优点很明显，扩展方便（看起来能支持到8字节编码呢），编码结构去掉了二进制的标记位，减小体积更易于数据传输。1字节的UTF-8码还完整兼容了ASCII码，所以UTF-8可以说应该是大部分场景下的最优选择了。
网友评论