由char和byte的關系引申出去——總結一下java中的字符編碼相關知識
一、字符編碼
手持兩把錕斤拷，口中直呼燙燙燙
? ??在文章伊始，先來復習一下計算機中關于編碼的一些基礎知識，著重理清以下幾個基本概念，
1. 碼點（code point）
? ??計算機只能以二進制的形式存盤文字，故而計算機中每一個字母，文字，符號，emoji都對應著一個二進制數，而這個二進制數就是碼點，
2. 字符集
? ??光有碼點還不夠，我們還得知道有哪些碼點，這些碼點又能表示哪些字符，于是便又到了喜聞樂見的制定標準環節，標準所支持的所有字符及其對應碼點的集合被稱為字符集，例如學過C語言的同學都知道的ASCII字符集，它共包含了128個字符，包括數字，26個字母的大小寫及一些符號，對應的碼點就是0-127，再有就是后面要提到的Unicode字符集，
3. 編碼
? ??以ASCII字符集為例，它的碼點為0-127，最大不超過7bit，而計算機中一般是以8bit的位元組(byte)為單位，出于種種考量，實際存盤在計算機中的碼點的二進制都會在頭部添0，以8bit存盤，例如A對應碼點65，二進制為100 0001，實際在計算機中存盤為0100 0001，這種在計算機中實際存盤的內容到字符的映射就是編碼，
? ??我們熟悉的編碼方式有ASCII，UTF-8，UTF-16，歐洲的ISO，中國大陸的GBK等等，計算機中存盤的同一段二進制，用不同的編碼方式，會得到完全不同的內容，
4. Unicode字符集
? ??ASCII一共只包含了128個字符，顯然不夠用，于是便有了Unicode字符集，Unicode字符集中收錄了世界上絕大多數文字，符號等，反正就是非常多，
? ??行文至此，筆者想到自己當初學習時的一個疑惑，即字符集已經規定好了字符到碼點的映射，為啥還有各種不同的編碼方式，如果讀者仔細理解了上文不難發現，在計算機中以何種方式存盤碼點是需要編碼來確定，最簡單的方法就是直接將碼點轉成二進制存盤，比如對ASCII字符集的ASCII編碼，對Unicode的UTF-32編碼，
? ??由于Unicode字符集數量極其旁大，單個字符最大已超過了3個位元組（具體多大我也不清楚，目前用4個位元組還足夠表示），同時為了區分前后兩個字符在哪里斷開，utf-32編碼簡單粗暴得將每個字符以32位4位元組的形式存盤在計算機中，這樣很好理解，但帶來了嚴重的空間浪費，對于常用的字母得要存一堆0，簡直就是0溢事件，
5. UTF-8編碼
? ??我們常見的utf-8便是為了解決上述問題而誕生的，他是針對于Unicode的可變長度編碼方式，可以把不同字符以1，2，3，4位元組大小存盤到計算機中，同時utf-8兼容ascii，具體規則參考下圖，也推薦大家看一下圖片下方鏈接的視頻，講的很好：
圖片來源：【你懂亂碼嗎？錕斤拷燙燙燙（詳解ASCII、Unicode、UTF-32、UTF-8編碼）】 https://www.bilibili.com/video/BV1xP4y1J7CS/?share_source=copy_web&vd_source=f5db843fce15b7c3e2990f4f7a6e8921
二、Java中的字符編碼
1. 編碼方式：
? ??有了以上知識的鋪墊，其實接下來的問題就很好解決了，
? ??首先，java中采用的是基于Unicode字符集的UTF-16編碼方式，utf-16可以將不同字符以2或4位元組大小存盤在計算機中，可能有同學已經發現規律了，utf-8是以8bit為最小單位，而utf-16是以16 bit為最小單位，而這個最小單位實際上就是所謂的代碼單元(code unit)，
2. char型別：
? ??基本型別char型別就是一個16bit的代碼單元，我們日常里常用的字符，如字母，漢字等只需要一個char，而對于一些類似于emoji這樣的碼點值很大的字符，需要兩個char，
? ??java中char型別的字面量用'A'單引號括起來，表示一個字符常量，對于一些特殊字符，如回車，換行，我們要用到轉義字符來表示，如下圖：
3. 應用：
? ??行文至此，筆者又想起之前曾經看到過的一個相關的案例，
? ??簡言之就是需要對資料庫中取出的用戶名做一個截斷，比如某些情況下只需要呈現用戶名的前三個字，而這個系統允許用戶上傳的用戶名中包含emoji表情，
? ??在這種情況下就要注意了，一個emoji字符由兩個char組成，如果簡單得用String.subString()或者String.length是有問題的，因為這些方法都是以char為單位，可能會造成把一個emoji字符只截了一個char出來，從而導致問題，在這里就需要用String的codePoint相關的方法去截取，以碼點為單位，因為一個碼點一定代表一個字符，而一個char則未必，
? ??詳情見該視頻：【Emoji 表情導致線上故障2個小時，老板直接損失10萬，到底是什么問題？| 故障復盤 | 實戰經驗分享】 https://www.bilibili.com/video/BV1MG41177pT/?share_source=copy_web
三、 總結：
? ??如果您堅持看到了這里，那么我想一定已經對于我標題提出的問題的答案了然于胸了，
? ??char和byte的關系，現在看來這倆也沒啥關系嘛，只能說我這個引申不是很合適，本文著重介紹了計算機字符編碼的相關知識，同時也總結了java中有關字符編碼的一些內容，希望能對你有所幫助，
四、 參考資料：
- 【你懂亂碼嗎？錕斤拷燙燙燙（詳解ASCII、Unicode、UTF-32、UTF-8編碼）】 https://www.bilibili.com/video/BV1xP4y1J7CS/?share_source=copy_web&vd_source=f5db843fce15b7c3e2990f4f7a6e8921
- 《java核心技術卷Ⅰ》
鄙人只是一名在讀的軟體工程專業的本科生，正在復習找作業，故而將復習時遇到的一些有意思的東西總結出來，既是加深理解，也是便于日后復習，
鄙人才疏學淺，若文中有謬誤之處，還望諸位不吝斧正，以免誤人子弟，若有同道中人想一同討論學習，也可以聯系我=>[email protected]，未經本人同意，請勿轉載！
路漫漫其修遠兮，吾將上下而求索，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/541261.html
標籤：其他