Java中char与String的字节表示深度解析

本文深入探讨java中`char`类型和`string`对象在内存中的字节表示及其与字符编码的关系。`char`固定占用2字节并采用utf-16编码，而`string.getbytes()`方法返回的字节数组长度则取决于所使用的字符集，这正是导致常见混淆的关键。文章将通过示例代码和详细解释，阐明不同编码方式对字符串字节长度的影响，并提供获取字符串内存占用字节数的方法，帮助开发者更好地理解和处理java中的字符与字节转换。

在Java中，字符和字符串的字节表示是一个常见的困惑点，尤其是在涉及到字符编码转换时。理解char类型、String对象的内部存储以及String.getBytes()方法的行为是解决这一困惑的关键。

Java char类型的本质

在Java语言规范中，char类型被定义为16位无符号整数，用于表示一个Unicode字符。这意味着一个char变量固定占用2个字节的内存空间。Java内部使用UTF-16编码来表示char。大多数常见的Unicode字符（即基本多语言平面内的字符）都可以用一个char来表示。然而，对于一些扩展的Unicode字符（如某些表情符号或罕见文字），它们属于补充平面，需要两个char（即一个代理对）才能完整表示一个Unicode码点。

例如：

char c = 'c';
// 理论上，一个char 'c' 在内存中占用2字节
// 如果我们尝试将其转换为字节数组，并指定UTF-16编码，会得到2字节
// 注意：直接将char转换为byte[]通常需要通过String或特定的编码器
// 示例中 charToByte(c).length 结果为2，很可能是因为其内部使用了UTF-16编码

String对象的内部存储

String对象在Java中用于存储文本数据，其内部同样基于Unicode。历史上，String内部是通过一个char[]数组来存储字符序列的。这意味着一个String对象所持有的字符数据，在内存中会按照每个char占用2字节（UTF-16编码）的方式进行存储。

立即学习“Java免费学习笔记（深入）”；

然而，从Java 9开始，为了优化内存占用，String的内部实现引入了紧凑字符串（Compact Strings）的概念。如果字符串内容只包含Latin-1字符（即ASCII字符或扩展ASCII字符，码点范围0-255），String对象会选择使用一个byte[]数组来存储，每个字符占用1字节，并标记其编码为Latin-1。如果字符串包含非Latin-1字符，则仍然使用char[]数组（UTF-16编码），每个字符占用2字节。

需要强调的是，这种内部存储机制是Java运行时环境的实现细节，开发者通常不应依赖它来计算字符串的字节长度。String API对外提供的行为始终是基于Unicode字符的。

String.getBytes()方法与字符编码

这是导致混淆的核心所在。当调用String.getBytes()方法时，它会将String对象内部的Unicode字符序列转换为一个byte[]数组。这个转换过程需要一个字符编码（Charset）。

String.getBytes()有多种重载形式：

1. byte[] getBytes(): 使用平台默认的字符集进行编码。
2. byte[] getBytes(String charsetName): 使用指定的字符集名称进行编码。
3. byte[] getBytes(Charset charset): 使用指定的Charset对象进行编码。

不同的字符集对同一个Unicode字符序列的编码方式是不同的，因此生成的byte[]数组长度也会不同。

示例分析：

百度文心百中

百度大模型语义搜索体验中心

22

查看详情

考虑字符串 String test = "a";

String test = "a";
System.out.println(test.getBytes().length); // 输出 1

这里test.getBytes().length输出1，是因为在许多操作系统和JVM配置中，默认字符集是UTF-8或一个单字节编码（如ISO-8859-1）。在UTF-8编码下，英文字符'a'只占用1个字节。

如果显式指定UTF-16编码，结果将不同：

String test = "a";
System.out.println(test.getBytes(StandardCharsets.UTF_16).length); // 输出 4

为什么是4？因为UTF-16编码通常会在字节序列的开头添加一个字节顺序标记（BOM，Byte Order Mark），占用2字节。字符'a'本身在UTF-16编码下占用2字节。所以，2 (BOM) + 2 ('a') = 4字节。如果使用UTF-16BE（大端）或UTF-16LE（小端）则不会包含BOM，结果将是2字节。

再看一个多字节字符的例子：字符串 "ruĝa"，包含一个带抑扬符的拉丁字母'ĝ'。

• 在Java内部，它可能存储为4个char（每个2字节），共8字节（如果是非紧凑字符串）。
• "ruĝa".getBytes(StandardCharsets.UTF_8).length 可能输出5字节。因为在UTF-8中，'r', 'u', 'a'各占1字节，而'ĝ'占2字节（共1+1+2+1 = 5字节）。
• "ruĝa".getBytes(StandardCharsets.UTF_16).length 可能输出10字节（2字节BOM + 4个字符 * 2字节/字符 = 2 + 8 = 10字节）。

获取字符串在内存中的近似字节占用

如果我们想获取一个String对象在Java堆内存中实际占用的字节数（不考虑对象头等开销，仅字符数据），最接近的方法是将其编码为UTF-16，因为char在Java内部就是UTF-16编码单元。

import java.nio.charset.StandardCharsets;

public class StringByteSize {

    /**
     * 计算字符串在内存中（近似）的字节占用。
     * 这里的“内存占用”指的是其字符数据在UTF-16编码下的字节数，
     * 这与Java char类型在内存中的表示方式一致。
     * 注意：此方法不考虑String对象的对象头开销或Java 9+的紧凑字符串优化。
     *
     * @param s 要计算的字符串
     * @return 字符串字符数据在UTF-16编码下的字节数
     */
    public static int bytesInMemory(String s) {
        // 使用UTF_16BE或UTF_16LE避免BOM，直接反映字符数据长度
        return s.getBytes(StandardCharsets.UTF_16BE).length;
    }

    public static void main(String[] args) {
        String test1 = "a";
        String test2 = "你好"; // '你'和'好'都是一个char，各占2字节
        String test3 = "?"; // 这是一个补充平面字符，需要两个char（代理对）来表示，但编码为UTF-16后仍是4字节

        System.out.println("String '" + test1 + "' bytes in memory (UTF-16BE): " + bytesInMemory(test1)); // 2
        System.out.println("String '" + test2 + "' bytes in memory (UTF-16BE): " + bytesInMemory(test2)); // 4 (2 * 2)
        System.out.println("String '" + test3 + "' bytes in memory (UTF-16BE): " + bytesInMemory(test3)); // 4 (一个码点，两个char，4字节)

        // 对比 String.getBytes() 默认编码
        System.out.println("String '" + test1 + "' getBytes().length (default charset): " + test1.getBytes().length); // 1 (假设UTF-8)
        System.out.println("String '" + test2 + "' getBytes().length (default charset): " + test2.getBytes().length); // 6 (假设UTF-8，每个汉字3字节)
        System.out.println("String '" + test3 + "' getBytes().length (default charset): " + test3.getBytes().length); // 4 (假设UTF-8，表情符号通常4字节)
    }
}

注意事项：

1. 始终指定字符集： 在进行String与byte[]之间的转换时，为了避免平台依赖性和潜在的乱码问题，务必显式指定字符集，例如StandardCharsets.UTF_8或StandardCharsets.UTF_16。
2. 码点与char的区别： 一个Unicode码点（Code Point）是Unicode字符的抽象表示。一个char是UTF-16编码的一个代码单元。大多数码点对应一个char，但补充平面的码点需要两个char（代理对）。String的codePointCount()方法可以获取字符串中的码点数量，而length()方法获取的是char的数量。
3. 复杂字符： 某些字符，如带重音符号的字符（例如é），可能存在多种Unicode表示形式。它可以是一个单一的码点（U+00E9），也可以是基本字母e（U+0065）与组合用锐音符（U+0301）的组合。这两种形式在视觉上可能相同，但在字节表示和码点计数上会有差异。

总结

Java中的char类型固定占用2字节，是UTF-16编码单元。String对象内部存储文本数据，其字符数据在逻辑上是UTF-16编码。然而，当通过String.getBytes()方法将字符串转换为字节数组时，实际的字节长度取决于所选的字符编码。理解char的固定2字节特性与String.getBytes()的编码依赖性之间的区别，是正确处理Java中字符和字节的关键。在实际开发中，推荐始终显式指定字符集进行编码和解码，以确保数据的一致性和正确性。

以上就是Java中char与String的字节表示深度解析的详细内容，更多请关注php中文网其它相关文章！