23

根据Java SE 7 规范，Java 使用 Unicode UTF-16 标准来表示字符。当把 a 想象String成一个简单的 16 位变量数组时，每个变量都包含一个字符，生活很简单。

不幸的是，有些代码点 16 位根本不够用（我相信它是所有 Unicode 字符的 16/17）。所以在 a 中String，这没有直接问题，因为当想要使用额外的两个字节存储这些 ~1.048.576 字符之一时，只需使用其中的两个数组位置String。

这在没有任何直接问题的情况下适用于Strings，因为总是可以有额外的两个字节。虽然当涉及到与 UTF-16 编码相比具有16 位固定长度的单个变量时，如何存储这些字符，特别是 Java 如何使用其2 字节“char”类型？

4

2 回答 2

26

答案在javadoc中：

char 数据类型（以及因此 Character 对象封装的值）基于原始 Unicode 规范，该规范将字符定义为固定宽度的 16 位实体。此后，Unicode 标准已更改为允许表示需要超过 16 位的字符。

合法代码点的范围现在是 U+0000 到 U+10FFFF，称为 Unicode 标量值。（请参阅 Unicode 标准中 U+n 表示法的定义。）从 U+0000 到 U+FFFF 的字符集有时称为基本多语言平面 (BMP)。码位大于 U+FFFF 的字符称为补充字符。Java 2 平台在 char 数组以及 String 和 StringBuffer 类中使用 UTF-16 表示。在此表示中，补充字符表示为一对 char 值，第一个来自高代理范围 (\uD800-\uDBFF)，第二个来自低代理范围 (\uDC00-\uDFFF)。

因此，char 值表示基本多语言平面 (BMP) 代码点，包括代理代码点或 UTF-16 编码的代码单元。一个 int 值表示所有 Unicode 代码点，包括补充代码点。int 的低（最低）21 位用于表示 Unicode 代码点，高（最高）11 位必须为零。

除非另有说明，否则关于补充字符和代理 char 值的行为如下： 仅接受 char 值的方法不支持补充字符。它们将代理范围中的 char 值视为未定义字符。例如，Character.isLetter('\uD840') 返回 false，即使此特定值后跟字符串中的任何低代理值将表示一个字母。接受 int 值的方法支持所有 Unicode 字符，包括补充字符。例如，Character.isLetter(0x2F81A) 返回 true，因为代码点值表示一个字母（CJK 表意文字）。在 Java SE API 文档中，Unicode 代码点用于 U+0000 到 U+10FFFF 范围内的字符值，Unicode 代码单元用于 16 位 char 值，它们是 UTF-16 编码的代码单元。有关 Unicode 术语的更多信息，请参阅 Unicode 词汇表。

简单地说：

  • char 规则的 16 位是为旧版本的 Unicode 标准设计的
  • 您有时需要两个字符来表示不在基本多语言平面中的 unicode 符文（代码点）。这种“有效”是因为您不经常使用字符，尤其是在处理 BMP 之外的 unicode 符文时。

更简单的说：

  • java char 不代表 Unicode 代码点（嗯，并非总是如此）。

顺便说一句，可以注意到 Unicode 超越 BMP 的演变使得 UTF-16 在全球范围内变得无关紧要，因为 UTF-16 甚至不支持固定的字节字符比率。这就是为什么更现代的语言基于 UTF-8。这份宣言有助于理解它。

于 2012-10-28T20:00:57.800 回答
8

基本上，字符串存储一系列 UTF-16 代码单元......这与存储 Unicode 代码点序列不同。

当需要基本多语言平面之外的字符时，它会占用String.

大多数String操作 - length(),charAt等substring()处理 UTF-16 代码单元的数量。但是，有些操作codePointAt()将处理完整的 Unicode 代码点……尽管索引仍以 UTF-16 代码单元表示。

编辑：如果您想将非 BMP 代码点存储在单个char中，那么您基本上不走运。这就像想在一个变量中存储超过 256 个不同的值byte......它只是行不通。遵循在其他地方（例如 in String）表示代码点的约定，最好只使用int变量。

于 2012-10-28T20:01:17.160 回答