关于Java中编码集的有趣现象和解释

2023-02-25 15:25:14

这是在整理另一篇博客的时候发现的一个有趣的现象，是这样描述的：我们都知道Java默认使用的是UniCode编码集，我们也知道char类型占用两个字节。所以奇怪的现象又发生了（见代码）：

     @Test

     public void testCode_1() throws Exception{

         System.out.println("汉字UniCode编码大小：" + "字".getBytes("UniCode").length);

         System.out.println("数字UniCode编码大小：" + "0".getBytes("UniCode").length);

         System.out.println("字母UniCode编码大小：" + "a".getBytes("UniCode").length);

         System.out.println("=========================================");

         System.out.println("汉字GBK编码大小：" + "字".getBytes("GBK").length);

         System.out.println("数字GBK编码大小：" + "0".getBytes("GBK").length);

         System.out.println("字母GBK编码大小：" + "a".getBytes("GBK").length);

         System.out.println("=========================================");

         System.out.println("汉字GB2312编码大小：" + "字".getBytes("GB2312").length);

         System.out.println("数字GB2312编码大小：" + "0".getBytes("GB2312").length);

         System.out.println("字母GB2312编码大小：" + "a".getBytes("GB2312").length);

         System.out.println("=========================================");

         System.out.println("汉字UTF-8编码大小：" + "字".getBytes("UTF-8").length);

         System.out.println("数字UTF-8编码大小：" + "0".getBytes("UTF-8").length);

         System.out.println("字母UTF-8编码大小：" + "a".getBytes("UTF-8").length);

         System.out.println("=========================================");

         System.out.println("汉字UTF-16编码大小：" + "字".getBytes("UTF-16").length);

         System.out.println("数字UTF-16编码大小：" + "0".getBytes("UTF-16").length);

         System.out.println("字母UTF-16编码大小：" + "a".getBytes("UTF-16").length);

         System.out.println("=========================================");

     }

testCode_1执行的结果如下：

汉字UniCode编码大小：4

数字UniCode编码大小：4

字母UniCode编码大小：4

=========================================

汉字GBK编码大小：2

数字GBK编码大小：1

字母GBK编码大小：1

=========================================

汉字GB2312编码大小：2

数字GB2312编码大小：1

字母GB2312编码大小：1

=========================================

汉字UTF-8编码大小：3

数字UTF-8编码大小：1

字母UTF-8编码大小：1

=========================================

汉字UTF-16编码大小：4

数字UTF-16编码大小：4

字母UTF-16编码大小：4

=========================================

发现其实Unicode编码的大小和UFT-16的大小是一样的统一是4个字节，而GBK和GB2312是一样的分别是（汉字2个字节，数字1个字节，字母1个字节）。但这其实没什么奇怪的。接下来的事情才令人不可理解：

     @Test

     public void testCode_2(){

         char c = (char)Long.MAX_VALUE;

         System.out.println("char类型的大小："+(int)c);

     }

testCode_2执行的结果如下：

char类型的大小：65535

可能你还没觉得这个结果奇怪。我们都知道计算机都是使用二进制存储，65535是2^16-1，也就是说char用了2个字节，但是UniCode是4个字节啊，4个字节应该是2^32-1=4294967295。这下应该明白是不是哪里不对？颠覆了自己的认知？怀疑自己记错了？可能都开怀疑java可能不是用UniCode编码的，但是无论如何也不会用GBK或者GB2312编码的，因为这两个编码是我们中国搞的，JDK不是我们中国搞的，所以通用的话肯定是UniCode编码了。

过于这个问题的理解：我们知道编码是有发展过程的，这个故事说起来就很长远了，我们找重点。简单来说，就是曾经UniCode编码是占两个字节的时候，我们使用的JDK就采用了这种编码。后来人家UniCode扩展了更多的内容变成了4个字节，但是我们JDK没有扩展，在JDK1.5的时候并没有扩展，并保留了char类型的行为来表示UTF-16，并实现了码位的概念来表示UTF-32。可能当时的人考虑的每次UniCode编码扩展都要重写底层很麻烦，所以才采用了自己的方式扩展。详情请访问：https://www.ibm.com/developerworks/cn/java/j-unicode/。我也是参考这篇博客来的。总之编码问题是变成路上不可避免的问题，但其实问题也不大，一般公司内部会统一编码，通常都是UTF-8。

码农公寓

相关文章