【字符編碼】Java編碼格式探秘

一、前言

　　在分析Comparable和Comparator的時候，分析到了String類的compareTo方法，String底層是用char[]數組來存放元素，在比較的時候是比較的兩個字符串的字符，字符用char來存儲，此時，突然想到，Java里面的char可以存放中文嗎？后來發現是可以的，並且由此也引出了Java中字符的編碼格式問題。

二、Java存儲格式

　　在Java中，如下代碼獲取了字符'張'的各種編碼格式。

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("張", "gbk"));
        System.out.println("gb2312 : " + getCode("張", "gb2312"));
        System.out.println("iso-8859-1 : " + getCode("張", "iso-8859-1"));
        System.out.println("unicode : " + getCode("張", "unicode"));
　　　　System.out.println("utf-16 : " + getCode("張", "utf-16"));
        System.out.println("utf-8 : " + getCode("張", "utf-8"));
　　}
}

　　運行結果：

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 

　　說明：從結果我們可以知道，字符'張'的gbk與gb2312編碼是相同的，unicode與utf-16編碼時相同的，但是其iso-8859-1、unicode、utf-8編碼都是不相同的，至於各個編碼的含義，我們這里不給出解釋，下一篇會給出答案。那么，在JVM中，字符'張'是按照哪種編碼格式進行存儲的呢？下面開始我們的分析。

三、探秘思路

　1. 查看.class文件常量池的存儲格式

　　測試代碼如下　　

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

　　使用javap -verbose Test.class進行反編譯，發現常量池情況如下：

　　再使用winhex打開class文件，發現字符'張'在常量池的存儲如下

　　說明：上面兩張可以在class文件中是以utf-8的格式存儲的。

　　但是在運行時是否是utf-8格式呢？繼續我們的探秘之旅。

　　2. 在程序中一探究竟

　　使用如下代碼　

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

　　運行結果：

　　5F20

　　說明：根據結果我們知道在運行時JVM是使用的utf-16格式進行存儲，utf-16一般是使用2個字節進行存儲，如果遇到兩個字節無法表示的字符則會使用4個字節表示。之后會另外有篇幅進行介紹，並且我們查看Character類源碼時，會發現就是使用的utf-16進行編碼的，從兩面都找到了我們想要的答案。

　　3. char類型可以存放中文嗎？

　　根據上面的探索我們已經知道了Java的class文件中字符是以utf-8進行編碼的，在JVM運行時則是以utf-16進行編碼存儲的。而字符'張'可以用兩個字節來表示，而char在Java中也是兩個字節，故可以存放。

四、總結

　　經過上面的分析，我們知道：

　　1. 字符在class文件中是以utf-8格式進行編碼的，而在JVM運行時是采用utf-16格式進行編碼的。

　　2. char類型是兩個字節，可以用來存放中文。

　　在此次調用的過程中又查閱了好多關於字符方面的資料，受益匪淺，並且發現特別有意思，接下來會進行分享，所以特此預告下一篇將會進一步來介紹編碼以及編碼在Java中的問題。敬請期待，也謝謝各位園友的觀看~