《Java编程的逻辑》精读二（数据类型，字符编码）

最近在阅读《Java编程的逻辑》一书，受益良多，在此对作者（马俊昌）万分的感谢。

计算机是一个机器，只能处理二进制数据，比如0100 1101。
但直接使用二进制进行编程开发，非常的不友好，所以有了各种高级开发语言，如 C、C++、C#、Java、PHP等。
为了更好的操作二进制数据，高级开发语言大多引入了数据类型的概念，使用不同的类型来表示数据。

基本数据类型

对于 Java 语言来讲，有如下基本数据类型：

1、整数类型

byte

占1个字节，8位二进制，第1位是符号位，取值范围为：-2⁷(即1000 0000) ~ 2⁷-1（即0111 1111）。

byte b = 23;

short

占2个字节，16位二进制，第1位是符号位，取值范围为：-2¹⁵(即1000 0000 0000 0000) ~ 2¹⁵-1（即0111 1111 1111 1111）。

short s = 3333;

int

占4个字节，32位二进制，第1位是符号位，取值范围为：-2³¹(即1000 0000 0000 0000 0000 0000 0000 0000) ~ 2³¹-1（即0111 1111 1111 1111 1111 1111 1111 1111）。

int i = 9999;

long

占8个字节，64位二进制，第1位是符号位，取值范围为：-2⁶³ ~ 2⁶³-1。
整数值默认为int类型，给long类型变量赋值时需要在后面加小写字母 l 或大写字母 L，防止值超出了int的取值范围。

long l = 32323L;

2、浮点数类型

浮点数，即数学中的“小数”。
因为在计算机中表示小数的点不是固定的，而是浮动的，所以被称为“浮点数”。

浮点数在计算机中采用类似十进制的科学计数法来表示的，即m×2ⁿ，其中m称为“尾数”，n称为“指数”。
计算机中保存的小数，即保存的m和n。

由此可见，计算机只能精确的表示可以表述为2的几次方的小数（比如1×2^-1：0.5、3×2^-2：0.75、6×2^-3：0.75），其他小数则无法精确的表示（类比一下十进制中的小数只能精确表示10的几次方的小数）。

float

占4个字节，32位二进制，第1位是符号位，中间23位保存尾数，最后8位保存指数。
浮点数的值默认为double类型，给float类型变量赋值时需要在后面加小写字母 f 或大写字母 F。

float f = 2.11f;

double

占8个字节，64位二进制，第1位是符号位，中间52位保存尾数，最后11位保存指数。

double d = 2.11;

3、boolean类型

用boolean表示，值只有true或false两种。

boolean b = true;

boolean类型的大小没有明确定义。
下面参考Java中boolean类型到底占用多少个字节？：
单独的boolean类型编译后会用int代替，boolean值占用4个字节（32位二进制）。
boolean类型数组会被编译为byte数组，每个boolean值占用1个字节（8位二进制）。
使用int代替boolean，而不用byte或short的原因是，对于当下32位的处理器（CPU）来说，一次处理数据是32位（这里不是指的是32/64位系统，而是指CPU硬件层面），32 位 CPU 使用 4 个字节是最为节省的，哪怕你是 1 个 bit 他也是占用 4 个字节。因为 CPU 寻址系统只能 32 位 32 位地寻址，具有高效存取的特点。

4、字符（char）类型

用char表示，值是一个字符，中文或英文字符都行。
使用单引号把字符括起来。

char c1 = 'a';
char c2 = '我';

Java内部处理字符时，使用的是Unicode编码，具体编码格式为 UTF-16BE（UTF-16大端表示）。
所以字符类型本质上也是一个整数，占2个字节或4个字节，下面有具体说明。

Unicode编码

Unicode编码为世界上所有字符都分配了一个唯一的数字编号，范围从0x000000～0x10FFFF，前缀使用U+。
Unicode编码并没有规定这个编号怎么和二进制对应，下面是几个主要方案：

• UTF-32
  这个简单，直接使用数字编号的二进制表示，占4个字节，32位二进制。
  缺点是浪费空间，实际采用比较少。
  这里需要注意字节的排列顺序（字节序）：
  大端（Big Endian，BE）
  对应编码：UTF-32BE。
  第一个字节是二进制表示中的最高位，最后一个字节是二进制表示中的最低位。
  小端（Little Endian，LE）
  对应编码：UTF-32LE。
  第一个字节是二进制表示中的最低位，最后一个字节是二进制表示中的最高位。

• UTF-16
  使用变长字节表示：
  常用字符集
  在U+0000～U+FFFF之间，即65536个数字之内，用2个字节可表示（16位二进制）。
  U+D800～U+DBFF之间的编号其实没有定义。
  增补字符集
  在U+10000～U+10FFFF之间，用4个字节（32位二进制）表示。
  前两个字节叫高代理项，范围是U+D800～U+DBFF，后两个字节叫低代理项，范围是U+DC00～U+DFFF。
  数字编号与这个二进制之间有一个转换算法。

  区分是2个字节还是4个字节，就看前两个字节的编号范围。
  如果在U+D800～U+DBFF范围内，就是4个字节。
  这里也有字节序的问题，有 UTF-16BE 和 UTF-16LE 两种编码。
  UTF-16常用于系统内部编码，比UTF-32节省空间，但也至少需要2个字节表示，对于美国和西欧国家来说还是有点浪费。

• UTF-8
  也使用变长字节表示，占用1～4个字节，每个字符的字节个数与字符在Unicode中的编号大小有关。
  对于编号小于128的字符，即ASCII码表中的字符，占用1个字节（8位二进制），最高位固定为0，剩余7位表示字符。
  对于编号大于128的字符，最高位字节（即BE表示中的第一个字节）中有几个连续的1，就表示该字符一共有几个字节（包括最高位字节，最高字节后面的字节都是10开头）。
  UTF-8是兼容ASCII码的，对于大部分中文，一个中文字符需要用3个字节表示（即1110 xxxx 10xx xxxx 10xx xxxx，其中x填补字符的Unicode编号的二进制形式（去掉最高位的0））。

非Unicode编码

• ASCII（American Standard Code for Information Interchange）
  美国用，占用1个字节（8位二进制），最高位固定为0，剩余7位表示字符。
  数字32～126对应可打印字符，如大小写字母，各种特殊符号（!@#%^&*-+./）等。
  数字0～31和127表示控制字符，如空格，换行符，制表符等。
• ISO 8859-1 / Latin-1
  西欧用，兼容ASCII，占用1个字节（8位二进制），最高位固定为1，剩余7位表示字符。0～127与ASCII一样，128～255有其他含义。
• Windows-1252（现在主流使用）
  西欧用，兼容ASCII，与ISO 8859-1基本一样，区别在于数字128～159，增加了欧元等特殊字符。
• GB2312
  中国用，主要针对简体中文（约7000个）和个别罕见字和繁体字。
  兼容ASCII。
  占用2个字节（16位二进制），最高位固定为1。
  如果最高位是0，按ASCII解析。
  高位字节范围0xA1～0xF7，低位字节范围0xA1～0xFE。
• GBK
  中国用，向下兼容GB2312，增加了更多的简体字和繁体字，共约约21000个字符。
  兼容ASCII。
  占用2个字节（16位二进制），最高位固定为1。
  高位字节范围0x81～0xFE，低位字节范围0x40～0x7E和0x80～0xFE。
  低位字节从0x40开始，即低位字节最高位可能是0。
  使用高位字节（第一个字节）的最高位是否是1，来区分低位字节是否是汉字的一部分。
  如果第一个字节最高位是0，第一个字节按ASCII解析，然后再解析后面的字节是ASCII还是汉字。
  如果第一个字节最高位是1，则把第一个字节和第二个字节一起解析为一个汉字，解析完，跳到第三个字节解析。
• GB18030
  中国用，向下兼容GBK、GB2312，增加了少数民族字符，中日韩统一字符，共约76000个字符。
  使用变长字节。
  兼容ASCII。
  对于2字节编码，GBK一摸一样，占用2个字节（16位二进制），高位字节范围0x81～0xFE，低位字节范围0x40～0x7E和0x80～0xFE。
  对于4字节编码，第一个字节范围为0x81～0xFE，第二个字节范围为0x30～0x39，第三个字节范围为0x81～0xFE，第一个字节范围为0x30～0x39。
  解析二进制，通过第二个字节的范围来确定是4字节编码还是2字节编码，因为2字节编码中的第二个字节比4字节编码中的第二个字节大。
• Big5
  香港、台湾用，针对繁体中文的。
  兼容ASCII。
  占用2个字节（16位二进制），最高位固定为1。
  高位字节范围0x81～0xFE，低位字节范围0x40～0x7E和0xA1～0xFE。

⚠️ 字符乱码的问题，都是读取字符时用的编码与写字符时用的编码不一致造成的。

数组类型

数组中的元素是连续存放的。
数组的长度一旦确定，就不可更改。
基本数据类型的变量，在内存中只有一个对应的内存空间，直接存储变量的值。
而数组类型的变量，在内存中有两个对应的内存空间：一个存放该数组变量的值的起始位置，一个存放该数组变量的值的内容。
类似数组类型存储方式的类型，一般也称为引用类型。

在Java中，许多复杂的类型，都是使用基本数据类型和数组类型组合而成，比如：
String/StringBuilder/StringBuffer：内部使用char数组，所有字符串的操作都是基于该数组的。
ArrayList/ArrayDeque：内部使用泛型数组，所有Array操作都是基于该数组的。
Date：内部使用long值表示距离纪元时的毫秒数，所有时间操作都是基于该毫秒数的。