文章目錄

• 簡介
• Unicode的發展史
• Unicode詳解
• UTF-8
• UTF-16
• UTF-32
• Null-terminated string 和變種UTF-8

簡介

在本文中你將了解到Unicode和UTF-8,UTF-16,UTF-32的關系，同時你還會了解變種UTF-8，并且探討一下UTF-8和變種UTF-8在java中的應用。

一起來看看吧。

Unicode的發展史

在很久很久以前，西方世界出現了一種叫做計算機的高科技產品。

初代計算機只能做些簡單的算數運算，還要使用人工打孔的程序才能運行，不過隨著時間的推移，計算機的體積越來越小，計算能力越來越強，打孔已經不存在了，變成了人工編寫的計算機語言。

一切都在變化，唯有一件事情沒有變化。這件事件就是計算機和編程語言只流傳在西方。而西方日常交流使用26個字母加有限的標點符號就夠了。

最初的計算機存儲可以是非常昂貴的，我們用一個字節也就是8bit來存儲所有能夠用到的字符，除了最開始的1bit不用以外，總共有128中選擇，裝26個小寫+26個大寫字母和其他的一些標點符號之類的完全夠用了。

這就是最初的ASCII編碼，也叫做美國信息交換標準代碼（American Standard Code for Information Interchange）。

后面計算機傳到了全球，人們才發現好像之前的ASCII編碼不夠用了，比如中文中常用的漢字就有4千多個，怎么辦呢?

沒關系，將ASCII編碼本地化，叫做ANSI編碼。1個字節不夠用就用2個字節嘛，路是人走出來的，編碼也是為人來服務的。于是產生了各種如GB2312, BIG5, JIS等各自的編碼標準。這些編碼雖然與ASCII編碼兼容，但是相互之間卻并不兼容。

這嚴重的影響了國際化的進程，這樣還怎么去實現同一個地球，同一片家園的夢想？

于是國際組織出手了，制定了UNICODE字符集，為所有語言的所有字符都定義了一個唯一的編碼，unicode的字符集是從U+0000到U+10FFFF這么多個編碼。

那么unicode和UTF-8，UTF-16，UTF-32有什么關系呢？

unicode字符集最后是要存儲到文件或者內存里面的，直接存儲的話，空間占用太大。那怎么存呢？使用固定的1個字節，2個字節還是用變長的字節呢？于是我們根據編碼方式的不同，分成了UTF-8，UTF-16，UTF-32等多種編碼方式。

其中UTF-8是一種變長的編碼方案，它使用1-4個字節來存儲。UTF-16使用2個或者4個字節來存儲，JDK9之后的String的底層編碼方式變成了兩種：LATIN1和UTF16。

而UTF-32是使用4個字節來存儲。這三種編碼方式中，只有UTF-8是兼容ASCII的，這也是為什么國際上UTF-8編碼方式比較通用的原因（畢竟計算機技術都是西方人搞出來的）。

Unicode詳解

知道了Unicode的發展史之后，接下來我們詳解講解一下Unicode到底是怎么編碼的。

Unicode標準從1991年發布1.0版本，已經發展到2020年3月最新的13.0版本。

Unicode能夠表示的字符串范圍是0到10FFFF,表示為U+0000到U+10FFFF。

其中U+D800到U+DFFF的這些字符是預留給UTF-16使用的，所以Unicode的實際表示字符個數是216 ? 211 + 220 = 1,112,064個。

我們將Unicode的這些字符集分成17個平面,各個平面的分布圖如下：

以Plan 0為例，Basic Multilingual Plane (BMP)基本上包含了大部分常用的字符，下圖展示了BMP中所表示的對應字符：

上面我們提到了U+D800到U+DFFF是UTF-16的保留字符。其中高位U+D800–U+DBFF和低位U+DC00–U+DFFF是作為一對16bits來對非BMP的字符進行UTF-16編碼。單獨的一個16bits是無意義的。

UTF-8

UTF-8是用1到4個字節來表示所有的1,112,064個Unicode字符。所以UTF-8是一種變長的編碼方式。

UTF-8目前是Web中最常見的編碼方式，我們看下UTF-8怎么對Unicode進行編碼：

最開始的1個字節可以表示128個ASCII字符，所以UTF-8是和ASCII兼容的。

接下來的1,920個字符需要兩個字節進行編碼，涵蓋了幾乎所有拉丁字母字母表的其余部分，以及希臘語，西里爾字母，科普特語，亞美尼亞語，希伯來語，阿拉伯語，敘利亞語，Thaana和N’Ko字母，以及組合變音符號標記。BMP中的其余部分中的字符需要三個字節，其中幾乎包含了所有常用字符，包括大多數中文，日文和韓文字符。Unicode中其他平面中的字符需要四個字節，其中包括不太常見的CJK字符，各種歷史腳本，數學符號和表情符號（象形符號）。

下面是一個具體的UTF-8編碼的例子：

UTF-16

UTF-16也是一種變長的編碼方式，UTF-16使用的是1個到2個16bits來表示相應的字符。

UTF-16主要在Microsoft Windows, Java 和 JavaScript/ECMAScript內部使用。

不過UTF-16在web上的使用率并不高。

接下來，我們看一下UTF-16到底是怎么進行編碼的。

首先：U+0000 to U+D7FF 和 U+E000 to U+FFFF，這個范圍的字符，直接是用1個16bits來表示的，非常的直觀。

接著是：U+010000 to U+10FFFF

這個范圍的字符，首先減去0x10000，變成20bits表示的0x00000–0xFFFFF。

然后高10bits位的0x000–0x3FF加上0xD800，變成了0xD800–0xDBFF，使用1個16bits來表示。

低10bits的0x000–0x3FF加上0xDC00，變成了0xDC00–0xDFFF，使用1個16bits來表示。

U' = yyyyyyyyyyxxxxxxxxxx // U - 0x10000 W1 = 110110yyyyyyyyyy // 0xD800 + yyyyyyyyyy W2 = 110111xxxxxxxxxx // 0xDC00 + xxxxxxxxxx

這也是為什么在Unicode中0xD800–0xDFFF是UTF-16保留字符的原因。

下面是一個UTF-16編碼的例子：

UTF-32

UTF-32是固定長度的編碼，每一個字符都需要使用1個32bits來表示。

因為是32bits，所以UTF-32可以直接用來表示Unicode字符，缺點就是UTF-32占用的空間太大，所以一般來說很少有系統使用UTF-32.

Null-terminated string 和變種UTF-8

在C語言中，一個string是以null character (’\0’）NUL結束的。

所以在這種字符中，0x00是不能存儲在String中間的。那么如果我們真的想要存儲0x00該怎么辦呢？

我們可以使用變種UTF-8編碼。

在變種UTF-8中，null character (U+0000) 是使用兩個字節的：11000000 10000000 來表示的。

所以變種UTF-8可以表示所有的Unicode字符，包括null character U+0000。

通常來說，在java中，InputStreamReader 和 OutputStreamWriter 默認使用的是標準的UTF-8編碼，但是在對象序列化和DataInput，DataOutput,JNI和class文件中的字符串常量都是使用的變種UTF-8來表示的。

本文已收錄于 http://www.flydean.com/java-string-encodings/

最通俗的解讀，最深刻的干貨，最簡潔的教程，眾多你不知道的小技巧等你來發現！

歡迎關注我的公眾號:「程序那些事」,懂技術，更懂你！

總結

以上是生活随笔為你收集整理的一文解开java中字符串编码的小秘密的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。