Java如何在其16位字符類型中存儲UTF-16字符？

Question

根據Java SE 7規范 ，Java使用Unicode UTF-16標准來表示字符。 將String想象成一個包含一個字符的16位變量的簡單數組時，生活很簡單。

不幸的是，有16位的代碼點是不夠的（我相信它是所有Unicode字符的16/17）。 所以在String ，這沒有直接問題，因為當想要使用額外的兩個字節存儲這些~1.048.576個字符中的一個時，將只使用該String兩個數組位置。

這沒有任何直接問題，適用於String ，因為總有一個額外的兩個字節。 雖然單變量與UTF-16編碼相比，具有16位的固定長度 ，但是如何存儲這些字符，特別是Java如何使用其2字節“char”來完成類型 ？

Answer 1

答案在javadoc中 ：

char數據類型（以及Character對象封裝的值）基於原始Unicode規范，該規范將字符定義為固定寬度的16位實體。 此后，Unicode標准已更改為允許表示形式需要16位以上的字符。

合法代碼點的范圍現在是U + 0000到U + 10FFFF，稱為Unicode標量值。 （請參閱Unicode標准中U + n表示法的定義。）U + 0000到U + FFFF的字符集有時稱為基本多語言平面（BMP）。 代碼點大於U + FFFF的字符稱為增補字符。 Java 2平台在char數組和String和StringBuffer類中使用UTF-16表示。 在此表示中，補充字符表示為一對char值，第一個來自高代理范圍（\\ uD800- \\ uDBFF），第二個來自低代理范圍（\\ uDC00- \\ uDFFF）。

因此，char值表示基本多語言平面（BMP）代碼點，包括代理代碼點或UTF-16編碼的代碼單元。 int值表示所有Unicode代碼點，包括補充代碼點。 int的較低（最低有效）21位用於表示Unicode代碼點，而較高（最高有效）11位必須為零。

除非另有說明，否則關於補充字符和代理char值的行為如下：僅接受char值的方法不能支持增補字符。 它們將代理范圍中的char值視為未定義的字符。 例如，Character.isLetter（'\\ uD840'）返回false，即使后面跟着字符串中的任何低代理值的特定值也表示字母。 接受int值的方法支持所有Unicode字符，包括補充字符。 例如，Character.isLetter（0x2F81A）返回true，因為代碼點值表示一個字母（CJK表意文字）。 在Java SE API文檔中，Unicode代碼點用於U + 0000和U + 10FFFF之間的字符值，Unicode代碼單元用於16位字符值，這些值是UTF-16編碼的代碼單元。 有關Unicode術語的更多信息，請參閱Unicode術語表。

簡單地說：

• char規則的16位是為舊版本的Unicode標准設計的
• 你有時需要兩個字符來表示一個不在基本多語言平面中的unicode符文（代碼點）。 這種“有效”因為你不經常使用字符，尤其是處理BMP之外的unicode符文。

更簡單的說：

• java char不代表Unicode代碼點（嗯，並非總是如此）。

順便說一下，可以注意到Unicode的演變超過了BMP，使得UTF-16在全球范圍內無關緊要，因為UTF-16甚至不能實現固定的字節字符比。 這就是更多現代語言基於UTF-8的原因。 這個宣言有助於理解它。

Answer 2

基本上，字符串存儲一系列UTF-16代碼單元......這與存儲一系列Unicode代碼點不同。

當需要基本多語言平面之外的字符時，它在String中占用兩個UTF-16代碼單元。

大多數String操作 - length() ， charAt ， substring()等處理UTF-16代碼單元的數量。 但是，像codePointAt()這樣的操作將處理完整的Unicode代碼點......盡管索引仍然以UTF-16代碼單位表示。

編輯：如果你想在一個char存儲一個非BMP代碼點，你基本上是運氣不好。 這就像是想在一個byte變量中存儲超過256個不同的值......它只是不起作用。 遵循在其他地方表示代碼點的約定（例如在String ），最好只使用int變量。