Java 语言中一个字符占几个字节？

深入理解Java中的字符编码：字节与字符之间的桥梁

在Java编程中，理解字符编码的内在机制至关重要，尤其是内码（internal encoding）和外码（external encoding）之间的关系。首先，让我们来澄清这两个概念。

内码是编程中字符的底层表示形式，尤其是Java中char或String类型在内存中的存储方式，它通常是作为16位的UTF-16 code unit来实现的（§3.1）。每个UTF-16 code unit代表一个字符，确保了程序内部的一致性和高效性。

外码则是程序与外部交互时所使用的字符编码，比如序列化后的数据、文件、命令行参数等。这与内码在内存中的使用方式是相对的，它并不局限于char或String的内部结构，而是指程序与外部环境沟通时的统一编码标准。

Java规范中的规定

Java语言规范明确指出，char类型的编码是固定的UTF-16，这意味着每个字符占用16位，也就是2个字节。这样的设计确保了在大多数情况下，字符串操作的性能，如通过String.charAt()随机访问字符，可以实现O(1)的复杂度。

字符串则是由这些UTF-16 code units按照特定顺序组成的序列。Java要求字符串的内码必须使用UTF-16，这样既符合语言规范，又能让用户在不知情的情况下，享受字符串处理的便利性。

编码转换与实际应用

String.getBytes()方法是Java提供的一种将内码转换为外码的工具。无参数版本默认使用平台的默认编码，有参数版本则按指定编码进行转换。通过这种方式，用户可以将字符串内容编码为外码格式，存储在byte[]中，但不会直接揭示字符串的内码细节。

以UTF-8为例，将一个字符串转换为UTF-8字节数组，我们只能了解其外码特性，而无法触及字符串的内码特性。这是Java设计中平衡内存效率与外存兼容性的关键策略。

编码策略的演变与细节

Java标准库中，char和String的序列化过程默认采用UTF-8编码，这是为了兼顾运行时的性能（通过UTF-16实现定长编码）与存储空间效率（使用变长的UTF-8编码）。然而，随着Unicode字符集的扩展，UTF-16的编码特性变得复杂，Java不得不调整，使其支持多码位字符。

在Java中，char类型仍然保留为16位code point，但为了表示某些需要两个code unit的UTF-16字符，String可以使用surrogate pair。为此，Java引入了访问code point的新API，体现了UTF-16的变长特性。

编码灵活性的体现

尽管Java通常使用UTF-16作为内码，但Sun JDK 6引入了“压缩字符串”功能，允许在ASCII字符范围内使用byte[]以节省空间。用户在访问这些“压缩”字符串时，通常无法察觉到内码并非始终为UTF-16。然而，这一功能在实践中效果不佳，因此在后续版本中并未延续。

Oracle在考虑重新审视这个功能，可能在未来的JDK9中提供改进。JavaScript尽管同样采用UTF-16，但通过类似“压缩字符串”的策略，确保了在内存使用上的优化。

总的来说，Java中的字符编码策略旨在提供高效的内存管理，同时考虑到与外部交互的兼容性。通过深入理解这些编码机制，开发者可以更好地编写和优化Java程序。

热门标签