Java字符存储机制

一、Java中的字符存储基础

1. char 的定义

   • 在 Java 中，char 是一个固定长度的数据类型，占用 2 个字节（16 位）。
   • 它使用 Unicode 字符编码（UCS-2 的子集），直接表示 Unicode 编码中的 基本多文种平面（BMP） 字符，范围是 U+0000 到 U+FFFF。

2. Unicode 与 UTF-8 的区别

   • Unicode 是一种字符集，给每个字符分配唯一的码点。
   • UTF-8 是一种可变长度的编码方式，使用 1 到 4 个字节来编码字符：
     • ASCII 范围字符：1 个字节
     • 大多数常用字符：2~3 个字节
     • 补充字符（超出 BMP 范围的字符）：4 个字节

二、Java如何存储 UTF-8 字符

1. 直接存储 BMP 范围的字符

   • BMP 范围（U+0000 到 U+FFFF）的字符可以直接使用 char 类型存储，因为它们的码点都能用 16 位表示。
   • 例如：

     char ch = 'A';  // 'A' 的 Unicode 码点是 U+0041，直接存储在 char 类型中
     System.out.println(ch);  // 输出 A
     

2. 存储补充字符

   • 对于超出 BMP 范围的字符（码点大于 U+FFFF，如表情符号 😊，码点为 U+1F60A），无法用单个 char 表示。
   • Java 使用 代理对（Surrogate Pair） 来表示：
     • 高代理项（High Surrogate）：码点范围 U+D800 到 U+DBFF
     • 低代理项（Low Surrogate）：码点范围 U+DC00 到 U+DFFF
   • 补充字符会被分解成两个 char 类型存储。

   例如：

   public class Utf8Example {
       public static void main(String[] args) {
           // 表情符号 😊 的 Unicode 码点是 U+1F60A
           String emoji = "😊"; // Java 中的字符串支持完整的 UTF-8 字符
   
           // 获取字符的代码点
           int codePoint = emoji.codePointAt(0);
   
           // 分解为代理对
           char highSurrogate = Character.highSurrogate(codePoint);
           char lowSurrogate = Character.lowSurrogate(codePoint);
   
           System.out.println("表情符号的高代理: " + Integer.toHexString(highSurrogate));
           System.out.println("表情符号的低代理: " + Integer.toHexString(lowSurrogate));
       }
   }
   

   输出：

   表情符号的高代理: d83d
   表情符号的低代理: de0a
   

3. UTF-8 存储与转换

   • 虽然 char 类型无法直接表示 UTF-8 编码的多字节字符，但 Java 提供了工具类（如 String 和 Charset）支持 UTF-8 的存储和处理。
   • 示例代码：

     import java.nio.charset.StandardCharsets;
     
     public class Utf8Handling {
         public static void main(String[] args) {
             String text = "你好，世界！"; // Unicode 字符串
     
             // 转换为 UTF-8 字节数组
             byte[] utf8Bytes = text.getBytes(StandardCharsets.UTF_8);
             System.out.println("UTF-8 编码的字节长度: " + utf8Bytes.length);
     
             // 从 UTF-8 字节数组还原字符串
             String decodedText = new String(utf8Bytes, StandardCharsets.UTF_8);
             System.out.println("解码后的字符串: " + decodedText);
         }
     }
     

   输出：

   UTF-8 编码的字节长度: 18
   解码后的字符串: 你好，世界！
   

三、总结

• char 存储的是固定长度的 2 字节 Unicode 编码，无法直接表示所有 UTF-8 字符。
• 对于超出 BMP 范围的字符，Java 使用代理对将其分解为两个 char 表示。
• 如果需要完整支持 UTF-8，可以使用 String 类型或相关工具类进行处理。