[java]深入理解java中的char，unicode编码及其实现方式

桃扇骨 2022-08-05 14:23 163阅读 0赞

众所周知，java中的char采用的是unicode编码（某一字符的该编码是固定不变的），其实现方式有utf-8、utf-16和utf-32。  
在Unicode字符集中的某个字符对应的代码值（unicode编码），称作代码点（Code Point），用16进制书写，并加上U+前缀。  
unicode编码取值范围：0-0x10FFFF（共21bit）  
U+0000~U+FFFF（Basic Multilingual Plane,BMP）  
U+10000~U+10FFFF（Supplementary Plane）  
  
utf-8:  
使用1-4个字节存储unicode编码，规则有二条：  
1.对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。  
2.对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的二进制位，组合成为该字符的unicode编码。  
如下：  
\[1个字节\]0xxxxxxx  
\[2个字节\]110xxxxx 10xxxxxx  
\[3个字节\]1110xxxx 10xxxxxx 10xxxxxx  
\[4个字节\]11110xxx 10xxxxxx 10xxxxxx 10xxxxxx  
  
  
utf-16:  
使用16bits或32bits存储unicode编码  
U+D800到U+DFFF之间的Code Point区段是永久保留不映射到字符  
1.对U+0000~U+D7FF以及U+E000~U+FFFF的编码  
数值等价于对应的Code Point  
2.对U+10000~U+10FFFF的编码  
2.1Code Point减去0x10000， 得到的值是长度为20bit（0~0xFFFFF）；  
2.2步骤2.1得到数值的高位的10比特的值（值范围为0~0x3FF）加上0xD800得到第一个Code Unit或称作高位代理（high surrogate）或前导代理（lead surrogate）。取值范围是0xD800~0xDBFF。  
2.3步骤2.1得到数值的低位的10比特的值（值范围为0~0x3FF）加上0xDC00得到第二个Code Unit或称作低位代理（low surrogate）或后尾代理（trail surrogate）。取值范围是0xDC00~0xDFFF。  
这样，这个范围内的字符就被编码成了一个代理对\[lead surrogate,trail surrogate\]：两个16bits的Code Unit，取值范围分别是0xD800~0xDBFF和0xDC00~0xDFFF。而BMP中得到的Code Unit的范围是0x0000~0xFFFF（0xD800~0xDFFF是保留的，不包含其中），所以这三个区段是相互不重叠的，在解码时很容易实现。  
  
  
utf-32:

直接使用32bits存储unicode编码

参考文档：  
http://blog.csdn.net/thl789/article/details/7506133

http://www.ruanyifeng.com/blog/2007/10/ascii\_unicode\_and\_utf-8.html