java字符

学习Java的时候，一开始书上就会说Java使用的UTF-16作为字符编码格式，因此相较于C语言，Java可以用中文等非拉丁字母作为变量名。

Unicode

unicode是计算机科学领域里的一项业界标准，包括字符集、编码方案等。计算机采用八比特一个字节，一个字节最大整数是255，还要表示中文一个字也是不够的，至少需要两个字节，为了统一所有的文字编码，unicode为每种语言中的每个字符设定了统一并且唯一的二进制编码，通常用两个字节表示一个字符（少则1个字节，多则3个字节），所以unicode每个平面可以组合出65535种不同的字符，一共17个平面。

字符集和字符编码不是一个概念，字符集定义了文字和二进制的对应关系，为字符分配了唯一的编号，而字符编码规定了如何将文字的编号存储到内存中。
例如：ASCII码中一个字符对应的是7位二进制数（字符集），计算机中一个字节是8位，我们用一个字节存储一个ASCII字符（一种编码方式）。当然，我们也可以用7个字节存8个字符，不过这样就不利于数据的读取与存储。所以不同的字符编码方式会使得字符在内存中的存储方式完全不同。

UTF 是 Unicode Transformation Format 的缩写，意思是“Unicode转换格式”，后面的数字表明至少使用多少个比特位（Bit）来存储字符。

Unicode 可以使用的编码有三种，分别是：

UFT-8：一种变长的编码方案，使用 1~4 个字节来存储；
UFT-32：一种固定长度的编码方案，不管字符编号大小，始终使用 4 个字节来存储；
UTF-16：介于 UTF-8 和 UTF-32 之间，使用 2 个或者 4 个字节来存储，长度既固定又可变。

UTF-8

Unicode和ASCII不同，他是变长的字符集，所以每个字符的长度不一定相同，所以编码方式也有多种，例如：广为人知的UTF-8。由于每个字符占用的字节数不同（1~3个字节），所以读取时就不能像ASCII码那样---一个字节对应一个字符，因为并不知道该字符占用了几个字节。因此，UTF-8编码会在第一个字节指明这个字符的长度（如果是单字节字符就不需要）。
UTF-8 的编码规则很简单：如果只有一个字节，那么最高的比特位为 0；如果有多个字节，那么第一个字节从最高位开始，连续有几个比特位的值为 1，就使用几个字节编码，剩下的字节均以 10 开头。

UTF-32

UTF-32 是固定长度的编码，始终占用 4 个字节，足以容纳所有的 Unicode 字符。

UTF-16（Java中使用的字符串编码方式）

UFT-16使用 2 个或者 4 个字节来存储。

对于 Unicode 编号范围在 0 ~ FFFF 之间的字符，UTF-16 使用两个字节存储，并且直接存储 Unicode 编号，不用进行编码转换，这跟 UTF-32 非常类似。

对于 Unicode 编号范围在0x10000~10FFFF 之间的字符，UTF-16 使用四个字节存储，具体来说就是：将字符编号的所有比特位分成两部分，较高的一些比特位用一个值介于 D800~DBFF 之间的双字节存储，较低的一些比特位（剩下的比特位）用一个值介于 DC00~DFFF 之间的双字节存储。

编码范围10000 ~ 10FFFF中间存在0x100000=2^20个字符，这些字符的高10位用一个双字节存储，低10位也用一个双字节存储。既然是双字节，那么不可避免的会与0 ~ FFFF之间的字符冲突，所以这两个区间（D800 ~ DBFF，DC00 ~ DFFF）并没有定义字符。

Java中的字符（编号在内存中的存储）

谈到Java中的字符，其实也就是字符编号如何存储到内存（char[])中。
字符编号是一个32位int型。
当编号在0 ~ FFFF时，只需要一个双字节就可以存储了；当编号在10000 ~ 10FFFF时会被拆分为两部分放到两个双字节中。
Java中的String其实内部就是一个char[]

JDK源码

image1.png
image2.png
image3.png