【字符编码】Java编码格式探秘

一、前言

在分析Comparable和Comparator的时候,分析到了String类的compareTo方法,String底层是用char[]数组来存放元素,在比较的时候是比较的两个字符串的字符,字符用char来存储,此时,突然想到,Java里面的char可以存放中文吗?后来发现是可以的,并且由此也引出了Java中字符的编码格式问题。

二、Java存储格式

在Java中,如下代码获取了字符’张’的各种编码格式。

复制代码
import java.io.UnsupportedEncodingException;
public class Test {
    public static String getCode(String content, String format) throws UnsupportedEncodingException {
        byte[] bytes = content.getBytes(format);
        StringBuffer sb = new StringBuffer();
        for (int i = 0; i < bytes.length; i++) {
            sb.append(Integer.toHexString(bytes[i] & 0xff).toUpperCase() + " ");
        }
        
        return sb.toString();
    }
    public static void main(String[] args) throws UnsupportedEncodingException {
        System.out.println("gbk : " + getCode("张", "gbk"));
        System.out.println("gb2312 : " + getCode("张", "gb2312"));
        System.out.println("iso-8859-1 : " + getCode("张", "iso-8859-1"));
        System.out.println("unicode : " + getCode("张", "unicode"));
    System.out.println("utf-16 : " + getCode("张", "utf-16"));
        System.out.println("utf-8 : " + getCode("张", "utf-8"));
  }
}
复制代码

运行结果:

复制代码
gbk : D5 C5 
gb2312 : D5 C5 
iso-8859-1 : 3F 
unicode : FE FF 5F 20 
utf-16 : FE FF 5F 20 
utf-8 : E5 BC A0
复制代码

说明:从结果我们可以知道,字符’张’的gbk与gb2312编码是相同的,unicode与utf-16编码时相同的,但是其iso-8859-1、unicode、utf-8编码都是不相同的,至于各个编码的含义,我们这里不给出解释,下一篇会给出答案。那么,在JVM中,字符’张’是按照哪种编码格式进行存储的呢?下面开始我们的分析。

三、探秘思路

1. 查看.class文件常量池的存储格式

测试代码如下

public class Test {
    public static void main(String[] args) {
        String str = "张";        
    }
}

使用javap -verbose Test.class进行反编译,发现常量池情况如下:

再使用winhex打开class文件,发现字符’张’在常量池的存储如下

说明:上面两张可以在class文件中是以utf-8的格式存储的。

但是在运行时是否是utf-8格式呢?继续我们的探秘之旅。

2. 在程序中一探究竟

使用如下代码

复制代码
public class Test {    
    public static void main(String[] args) {
        String str = "张";
        System.out.println(Integer.toHexString(str.codePointAt(0)).toUpperCase());
    }
}
复制代码

运行结果:

5F20

说明:根据结果我们知道在运行时JVM是使用的utf-16格式进行存储,utf-16一般是使用2个字节进行存储,如果遇到两个字节无法表示的字符则会使用4个字节表示。之后会另外有篇幅进行介绍,并且我们查看Character类源码时,会发现就是使用的utf-16进行编码的,从两面都找到了我们想要的答案。

3. char类型可以存放中文吗?

根据上面的探索我们已经知道了Java的class文件中字符是以utf-8进行编码的,在JVM运行时则是以utf-16进行编码存储的。而字符’张’可以用两个字节来表示,而char在Java中也是两个字节,故可以存放。

四、总结

经过上面的分析,我们知道:

1. 字符在class文件中是以utf-8格式进行编码的,而在JVM运行时是采用utf-16格式进行编码的。

2. char类型是两个字节,可以用来存放中文。

在此次调用的过程中又查阅了好多关于字符方面的资料,受益匪浅,并且发现特别有意思,接下来会进行分享,所以特此预告下一篇将会进一步来介绍编码以及编码在Java中的问题。敬请期待,也谢谢各位园友的观看~

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.