Java String Structure

Java 中字符如何存储

Java 中的字符信息是基于 Unicode 的 java 8 中对应的 Unicode 版本是 6.2.0，用 utf-16 编码的 16bit 的码元(code unit) 序列表示的。

为什么是 utf-16

java 中的 char 类型是基于原始的 Unicode 标准，那时的 Unicode 字符是固定长度的 16bit。这时 java 可以用 char 表示Unicode 中的所有字符。编码是用的 USC2。后来 Unicode 允许字符长度超过 16 bit，扩展了辅助字符平面，单个 char 就无法表示所有的字符。 java 从 java se 5.0 开始支持辅助字符平面，并规定一个 char 表示一个 utf-16 的码元(code unit)，并且增加了新的 api，用于访问 code point

具体参考

怎么存 utf-16

和 utf-16 的规定一样。BMP 范围内，用一个 char 表示，值与 Unicode 的值一样；辅助字符平面用，用两个（一对）char 表示

Java 语言中一个字符占几个字节？

看完上面的分析，这个问题应该就可以很容易的答上来了：一个字符占用 16 bit 或者 32 bit。

然而这个回答还是不准确的。

在 java 6 的时候，有一个 压缩字符串（-XX:+UseCompressedString） 的功能。

当整个字符串所有字符都在ASCII编码范围内时，就使用byte[]（ASCII序列）来存储，否则用 char[]

这个功能只在 sun jdk 6 中提供，没有包含在OpenJDK6、Oracle JDK7/OpenJDK7里
- 实现不够理想，实现太复杂而效果未如预期的好
- 这部分实现没有开源
即将出来的 java 9 ，带来了新的特性 compact strings

String 以及相关的类（AbstractStringBuilder，StringBuilder，StringBuffer）中用 bype array + encode-flag 替换 char array

需要的知识储备

Unicode
- 字符平面
- 基本字符平面(Basic Multilingual Plane (BMP) ，又称为0号平面)
  - 范围U+0000 ~ U+FFFF
- 辅助字符平面
  - 共有16个辅助平面
  - 范围U+10000 ~ U+10FFFF
Utf-16
- utf-16 是 unicode的实现方式，码元为 16位整数
- 实现方式
  - 0号平面内，用 16byte （单个码元 code unit）表示对应的 Unicode 码点（code point）
  - 辅助平面，用一对16比特长的码元表示对应的 Unicode 码点（code point）
- self-synchronizing 特性