编码

扩展性更强 UTF-8采用可变长度设计，长度为1-6个字节。UTF-16也为可变长设计，长度为2|4字节。UTF-8编码更加灵活和可扩展，能够支持未来出现的新字符和符号。 在之前的Java（9以前）版本中，Java平台采用的是16位Unicode编码（UTF-16）来表示字符和字符串，这种编码方式使用一个或两个16位的code units表示一个Unicode字符。虽然UTF-16编码可以表示所有的Unicode字符，但它并没有完全解决Unicode字符集的扩展问题。如果将来有新的Unicode字符需要添加到字符集中，可能需要修改UTF-16编码方案，从而导致兼容性和可移植性问题。 兼容性更好 UTF-8是一种非常广泛使用的字符编码方案，被支持和应用于众多操作系统、程序和协议中。使用UTF-8作为内部编码，可以更好地与其他系统和组件进行交互，并避免出现兼容性问题。 尽管Java平台之前采用的UTF-16编码也被广泛支持和应用，但在某些情况下，如文本传输和存储等场景，UTF-8编码具有更好的兼容性和互操作性。此外，许多开发人员在编写Java程序时也会使用UTF-8编码，因此将Java平台的内部编码改为UTF-8可以方便开发人员进行文本处理和编程。 更节省空间 相比于UTF-16编码，UTF-8编码在存储英文字符和标点符号等ASCII字符时，只需要使用一个字节，而不是两个字节。这样可以在存储和传输文本数据时节省空间和带宽。在处理大量字符串时可以节省内存使用。 尤其是在存储大量英文字符和标点符号的场景下，UTF-8编码能够显著地减少存储和传输的数据量，提高系统的效率和性能。 提高性能 Java9的String的内部value数组由char数组类型改为byte数字类型。byte占用空间为char的一半，这意味着更多的数据可以缓存在CPU缓存中，从而加速字符串操作的执行速度。

总结 不同的编码格式占字节数是不同的，UTF-8编码下一个中文所占字节大多常用字是3个字节、少部分是4个字节。UTF-16编码下一个中文所占用字节大多常用字是2个字节，少部分是4字节。 Java存储字节码使用UTF-8节省处理字符串所占用，运行使用UTF-16节省处理字符串时间。 名词解释 字节：byte 字符：char code unit：编码中最小单位，UTF-8中为1字节；UTF-16中为2字节。 code point：Unicode字符集中所对应的唯一编号，即一个文字的唯一编号。 内码（internal encoding）：程序内部使用的字符编码，特别是某种语言实现其char或String类型在内存里用的内部编码。 外码（external encoding）：程序与外部交互时外部使用的字符编码。“外部”相对“内部”而言；不是char或String在内存里用的内部编码的地方都可以认为是“外部”。例如，外部可以是序列化之后的char或String，或者外部的文件、命令行参数之类的。 编码格式 ASCII 码 128个 ISO-8859-1 256个 GB2312 6763个汉字 GBK 兼容GB2312，能表示2W+汉字 GB18030 使用不广泛 UTF-16 Unicode（Universal Code 统一码）：定义文字编码 UTF：定义Unicode在计算机中的转换。 UTF-16：设计之初是定长2个字节，后面变为可变长2|4字节。一个字符（char）用两个字节表示，简化字符串转换操作，提高效率。 UTF-8 采用了一种变长技术，每个编码区域有不同的字码长度。不同类型的字符可以是由 1~6 个字节组成。 编码对应关系 GBK编码 英语字母等需要1个字节，1个汉字对应2个字节。 UTF-16 编码 code unit为2个字节，英语字母等需要2个字节，中文需要2|4字节。 UTF-8 编码 code unit为1个字节，英文等字母需要一个字节，中文变为3|4个字节。 乱码 中文变成了看不懂的字符 例如，字符串“淘！我喜欢！”变成了“Ì Ô £ ¡Î Ò Ï²»¶ £ ¡”。 I/O输出方字符串采用GBK编码成字节数组，I/O接收方收到后对其用ISO-8859-1节码。模拟代码如下。 String str = "淘！我喜欢！"; byte[] gbkBytes = str.getBytes("GBK"); String isoStr = new String(gbkBytes, "ISO-8859-1"); System.out.println(isoStr); 编码过程如下图所示。 ...