Java中char占用几个字节

在讨论这个问题之前，我们需要先区分unicode和UTF。

1. unicode ：统一的字符编号，仅仅提供字符与编号间映射。符号数量在不断增加，已超百万。详细：[https://zh.wikipedia.org/zh-cn/Unicode]
2. UTF ：unicode转换格式 (unicode transformation format) 。定义unicode中编号的编码方式。utf8和utf16便是其中两种实现方式。其中utf8为变长表示，长度可能时1～6个字节；utf16为变长表示，长度可能是2或4个字节。详细：UTF8 [https://zh.wikipedia.org/zh-cn/UTF-8] UTF16 [https://zh.wikipedia.org/zh-cn/UTF-16] 

 接着，要分清内码（internal encoding）和外码（external encoding）。

1. 内码 :某种语言运行时，其char和string在内存中的编码方式。
2. 外码 :除了内码，皆是外码。

要注意的是，源代码编译产生的目标代码文件（可执行文件或class文件）中的编码方式属于外码。

先看一下内码
JVM中内码采用UTF16。早期，UTF16采用固定长度2字节的方式编码，两个字节可以表示65536种符号（其实真正能表示要比这个少），足以表示当时unicode中所有字符。但是随着unicode中字符的增加，2个字节无法表示所有的字符，UTF16采用了2字节或4字节的方式来完成编码。Java为应对这种情况，考虑到向前兼容的要求，Java用一对char来表示那些需要4字节的字符。所以，java中的char是占用两个字节，只不过有些字符需要两个char来表示。
详细：
[https://docs.oracle.com/javase/tutorial/i18n/text/unicode.html][http://www.zhihu.com/question/27562173]

外码
Java的class文件采用UTF8来存储字符，也就是说，class中字符占1～6个字节。
Java序列化时，字符也采用UTF8编码，占1～6个字符。

总结：

1. java中内码（运行内存）中的char使用UTF16的方式编码，一个char占用两个字节，但是某些字符需要两个char来表示。所以，一个字符会占用2个或4个字节。
2. java中外码中char使用UTF8的方式编码，一个字符占用1～6个字节。
3. UTF16编码中，英文字符占两个字节；绝大多数汉字（尤其是常用汉字）占用两个字节，个别汉字（在后期加入unicode编码的汉字，一般是极少用到的生僻字）占用四个字节。
4. UTF8编码中，英文字符占用一个字节；绝大多数汉字占用三个字节，个别汉字占用四个字节。

附录

orale文档

Unicode

Unicode is a computing industry standard designed to consistently and uniquely encode characters used in written languages throughout the world. The Unicode standard uses hexadecimal to express a character. For example, the value 0x0041 represents the Latin character A. The Unicode standard was initially designed using 16 bits to encode characters because the primary machines were 16-bit PCs.

When the specification for the Java language was created, the Unicode standard was accepted and the char primitive was defined as a 16-bit data type, with characters in the hexadecimal range from 0x0000 to 0xFFFF.

Because 16-bit encoding supports 2¹⁶ (65,536) characters, which is insufficient to define all characters in use throughout the world, the Unicode standard was extended to 0x10FFFF, which supports over one million characters. The definition of a character in the Java programming language could not be changed from 16 bits to 32 bits without causing millions of Java applications to no longer run properly. To correct the definition, a scheme was developed to handle characters that could not be encoded in 16 bits.

The characters with values that are outside of the 16-bit range, and within the range from 0x10000 to 0x10FFFF, are called supplementary characters and are defined as a pair ofchar values.

Unicode是一种计算行业标准，旨在对全世界书面语言中使用的字符进行一致和独特的编码。 Unicode标准使用十六进制表达字符。例如，值0x0041表示拉丁字符A. Unicode标准最初使用16位来编码字符，因为主机是16位PC。
当Java语言的规范被创建时，Unicode标准被接受，并且char基元被定义为16位数据类型，字符的十六进制范围从0x0000到0xFFFF。
因为16位编码支持216（65,536）个字符，这不足以定义全世界使用的所有字符，Unicode标准扩展为0x10FFFF，支持超过一百万个字符。 Java编程语言中的字符定义无法从16位更改为32位，而不会导致数百万个Java应用程序无法正常运行。为了纠正定义，开发了一种处理16位无法编码的字符的方案。
值超出16位范围，范围在0x10000到0x10FFFF之间的字符称为补充字符，并定义为一对字符值。