Java视角看字符

我们从一个简单的例子开始主题：

简单例子

输入的结果为2可能会让你意想不到，接下来请跟随我寻找答案。

Returns the length of this string. The length is equal to the number of Unicode code units in the string.

以上是String的length()接口的定义，length返回的是字符串中unicode格式的代码单元个数。既然跟字符串有关，我们就从Java字符串对象String作为突破入口。

1、String与字符

翻开String的类说明，我发现以下有关联的信息

The String class represents character strings.

String是由一串字符（Character)组成的，翻开源码你会发现String里的value类型是char[ ]，印证这一点.

A String represents a string in the UTF-16 format in which supplementary characters are represented by surrogate pairs (see the section Unicode Character Representations in the Character class for more information). Index values refer to char code units, so a supplementary character uses two positions in a String.

Java使用UTF-16的 supplementary characters 来实现 surrogate pairs。surrogate pairs字面是成对的意思，一个supplementary字符占用两个代码单元，这里已经能回答开篇的结果了，具体可以参考我的浅谈unicode。

2、字符

The Character class wraps a value of the primitive type char in an object. An object of type Character contains a single field whose type is char.

In addition, this class provides several methods for determining a character's category (lowercase letter, digit, etc.) and for converting characters from uppercase to lowercase and vice versa.

Character information is based on the Unicode Standard, version 6.2.0.

Java的字符是使用了Character类表示的，对应的基本类型是char。Character会提供一些便捷函数如：大小写判断，是否为数字，大小写转换等等。Character的规范是基于Unicode的标准。（因为上面的注释来源于jdk8，对应的标准版本是6.2.0，具体每个jdk版本对应的unicode版本，可以到unicode的官网查阅）

到这里我们得到一个很关键的信息，Java的字符实现是基于unicode标准。Java的Character也在一定程度上对surrogate pairs支持，如：isHighSurrogate、isLowSurrogate、isSupplementaryCodePoint等。

3、一个字 = 几个字符？

一个字到底占几个字符呢？或者说一个字占几个字节？这个问题是经常被提及的。这个问题在unicode的规范里（其他的就不好说了）BMP（包括大部分汉字）下，一个字 = 一个字符（由于unicode的字符是16bit，等价于2字节），而通过surrogate pairs支持的Plane下 一个字 = 两个字符（4个字节）。

4、结束

surrogate pairs规范中，是固定了区间来标识高低surrogates的，那么JavaAPI中，StringBuffer, StringBuilder的reverse操作会判断这类情况，不会对这些surrogates pairs进行倒置操作。保证了语义正确。但很不幸的是：在倒置字符串的操作下，可能把非surrogates pairs的字符串变为surrogates pairs。这里虽然很少遇到，但理论上是确实可能遇到的。本篇到这里已经结束，如有问题请给我留言，谢谢你的阅读。