JAVA里字符编码的探索与理解
今天终于把JAVA里一个比较头痛的问题——字符编码弄清晰了，所以写一篇文章来纪念一下，也为大家提供一点自己的心得。
众所周知，JAVA为了国际通用，用的是UNICODE来保存里面的字符。而UNICODE只是一个种字符集，字符的存储和表示要用到一定的字符编码格式，而与UNICODE对应的字符编码格式就是我们常看到的UTF-8,UTF-16等等，而UTF-8是最常用的，所以人们常常把它和UNICODE等同起来(我以前就是这样的)，这在某些情况下是没有错的，但这样的理解在JAVA里就会产生一些混淆。我们用下面的程序来演示一下。
定义一个字符串
String name = "堂";
这个字符串就一个字符，把它取出来
char c_name = name.charAt(0);
JAVA里的char型是十六位的(两个字节)，但是如果是用UTF-8的话可能会不只两位(UTF-8是变长存储的)，那看来JAVA本身并不是用UTF-8来保存的，口说无凭，做个实验吧。
首先看看char里保存的内容
| int low = (c_name) & 0xff;//取c_name的低位 int high = (c_name >> 8) & 0xff;//取c_name的高位 System.out.println(Integer.toHexString(high) + " " + Integer.toHexString(low)); |
结果是58 02
只有两个字节而已(16位)，那么真正的UTF-8编码的内容是什么呢，再看看吧。
为了方便，我写了一个辅助方法printbyte，作用是把一个byte数组的每个元素按照十六进制格式打印出来，同样为了方便，我把它作为静态方法。
#p#
| public static void printbyte(byte[] bt) { for (int i = 0; i < bt.length; i++) { int hex = (int)bt[i] & 0xff; System.out.print(Integer.toHexString(hex) + " "); } System.out.println(" length = "+bt.length); } byte[] utf_8 = name.getBytes("utf-8"); printbyte(utf_8); |
结果是e5 a0 82 length = 3
哇，三个字节!看来JAVA内部用的真不是UTF-8，那用的是什么呢?UTF-16?看一下便知。
| byte[] utf_16 = name.getBytes("utf-16"); printbyte(utf_16); |
结果是fe ff 58 02 length = 4，靠，四个字节了。咦?后面的低16位不正是和开始c_name的十六进制表示一样的吗?看来JAVA真正的内部字符编码和UTF-16有或多或少的联系。JAVA内部究竟是用的什么字符编码呢?这个问题我也找了很久，后来在THINK IN JAVA 3rd的12章里看到一个例子出现了UTF-16BE，难道是它?
| byte[] utf_16be = name.getBytes("utf-16be"); printbyte(utf_16be); 结果出来了：58 02 length = 2 |
哈哈，I got it!不多不少两个字节，内容也一样。果然是它。同时我在里面也看到，UNICODE的编码还有一个LE，这里的BE,LE我想应该是bigendian和littleendian吧。
【编辑推荐】
- 如何在PHP中使用正则表达式
- Java正则表达式应用详解
- Java正则表达式初学者使用法简介