Java String与char的细节与奥秘

关于这篇博客的目的我说一下，在写配置文件的时候忘记改编码字符集，结果导致了全部乱码，于是蛋疼的就去研究一下编码集。
再说编码集之前，我们有必要了解一些概念：

字符编码

我们经常用到的编码有很多，ascll、UTF-8、UTF-16、GBK等等，可能大家认为ascll码就是一个字符，在utf-8中一个字符就是8个字节，我已开始确实是这样认为的，然而这是错误的。
首先需要知道我们在 Java 中使用的是 Unicode 字符集。在其出现之前有已经有了很多字符集，例如：

• Ascll（简单字符集）：ASCII将字母、数字和其它符号编号，并用7比特的二进制来表示这个整数。通常会额外使用一个扩充的比特，以便于以1个字节的方式存储。在这种编码模型里，一个字符集定义了这个字符集里包含什么字符，同时把每个字符如何对应成计算机里的比特也进行了定义。例如：‘A’的十进制编码为56.但这些字符集的局限很快就变得明显，于是人们开发了许多方法来扩展它们。对于支持中文的要求能支持更大量的字符，并且需要一种系统而不是临时的方法实现这些字符的编码。
• Unicode（现代编码模型）：
  由统一码和通用字符集所构成的现代字符编码模型则没有跟从简单字符集的观点。它们将字符编码的概念分为：有哪些字符、它们的编号、这些编号如何编码成一系列的“码元”（有限大小的数字）以及最后这些单元如何组成八位字节流。
• 字符--> bit
  现代编码模型规定了一系列流程用来转换字符：
  1. 抽象字符表（Abstract character repertoire）：一个系统支持的所有抽象字符的集合
  2. 编码字符集（CCS:Coded Character Set）：给字符表里的抽象字符编上一个数字，也就是字符集合到一个整数集合的映射。例如，在一个给定的字符表中，表示大写拉丁字母“A”的字符被赋予整数65、字符“B”是66，这是数学上的概念，这里简化了一下，跟计算机比特没有任何关系，这里的65就是'A'的码位（code point）。我们平时所说的Unicode、ANSI编码就是这一层的概念
  3. 字符编码表（CEF:Character Encoding Form）：是将编码字符集的非负整数值（组字符对应的整数值）转换成有限比特长度的整型值（称为码元序列code units）的序列。便于以后计算机使用一定长度的二进制形式表示该整数，码元是指一个已编码的文本中具有最短的比特组合的单元（换一种说法就是 UTF-8 的是以一个字节为最小单位的，UTF-16 是以两个字节为最小单位的）。对于UTF-8来说，码元是8比特长；对于UTF-16来说，码元是16比特长；对于UTF-32来说，码元是32比特长， 。举个例子：就utf-8而言，对于code point 在0~65,5356 之间的字符，只需要一个码元就可以表示，但是如果更大，则可能需要2个码元或者三个码元来表示，但是对于utf-16而言，可能只需要一个码元，通俗一点说，码元就是在指定字符编码集下对一个字符编码的基本元素，我们说的utf-8，utf-16便是这个层次的(https://zh.wikipedia.org/wiki/%E5%AD%97%E7%AC%A6%E7%BC%96%E7%A0%81#cite_note-1)。
  4. 字符编码方案（CES:Character Encoding Scheme）：对于 CEF 得到的比特值具体如何在计算机中进行存储，传输。因为存在大端小端的问题，这就会跟具体的操作系统相关了。这种解决方案称为字符编码方案（CES:Character Encoding Scheme）。
     关于编码集的历史我不多介绍，大家可以参考wikipedia。

下面我们进入正题,首先要说明的是Java使用的是utf-16编码，
顺便也说下utf-8，

UTF-8：

UTF-8 使用一至四个字节（一个字节8bit，也就一个code unit）的序列对编码 Unicode 代码点进行编码。

U+0000 至 U+007F 使用一个字节编码

U+0080 至 U+07FF 使用两个字节

U+0800 至 U+FFFF 使用三个字节

U+10000 至 U+10FFFF 使用四个字节

image.png

UTF-16

UTF-16

UTF-16 使用一个或两个未分配的 16 位代码单元的序列对 Unicode 代码点进行编码。
值 U+0000 至 U+FFFF 编码为一个相同值的 16 位单元。

增补字符编码为两个代码单元，第一个单元来自于高代理范围（U+D800 至 U+DBFF），第二个单元来自于低代理范围（U+DC00 至 U+DFFF）。

值 U+D800 至 U+DFFF 保留用于 UTF-16，这些值没有分配给字符作为代码点。这意味着，对于一个字符串中的每个单独的代码单元，软件可以识别是否该代码单元表示某个单单元字符，或者是否该代码单元是某个双单元字符的第一个或第二单元。（这里可能有点烧脑，我给大家看一段代码）

image.png

image.png

结果分别：2 1
为啥？
这是因为对于String来说，底层使用的是char[ ]，对于char来说，代表的是一个码元为16bit的字符，对于大于16bit的字符（增补编码），则要2个码元表示，也就是两个char来表示，所以Str的长度为2，但是对于码点来说，他代表的是一个字符，所以是1，更多详细的内容，大家可以查阅Character的源码文档。

在程序中使用char

对于大多数字符来说，char是完全可以表示的，但是由于 Java 采用的是 16 位的 Unicode 字符集，即 UTF-16，所以在 Java 中 char 数据类型是定长的，其长度永远只有 16 位，char 数据类型永远只能表示代码点在 U+0000 ~ U+FFFF 之间的字符，也就是在 BMP 内的字符。如果代码点超过了这个范围，即使用了增补字符，那么 char 数据类型将无法支持，因为增补字符需要 32 位的长度来存储，我们只能转而使用 String 来存储这个字符。

获取字符串长度

根据上面的代码，我们会发现我们的期待与实际是不一致的，实际上，其实现是直接返回底层 value 数组的长度。我们知道 Java 中 char 的长度永远是 16 位，如果我们在字符串中使用了增补字符，那就意味着需要 2 个 char 类型的长度才能存储，对于 String 底层存储字符的数组 value 来说，就需要 2 个数组元素的位置。所以我们可以使用 codePointCount(int beginIndex, int endIndex) 来获取长度，因为不管是处于 BMP 范围内的字符还是辅助平面的字符，对于code point 来说，代表的都是一个点，一个字符。
最后一点，关于使用String存储敏感信息，不在多说，大家可以直接参考orcale文档。
参考资料：

• 字符编码
• orcale文档
• 知乎专栏