Java如何以其16位char类型存储UTF-16字符？

Question

根据Java SE
7规范
，Java使用Unicode
UTF-16标准表示字符。将a想象String成一个 简单 的16位变量 数组 ，每个 数组 包含一个字符时，生活很简单。

不幸的是，对于某些代码点来说，仅16位是不够的（我相信这是所有Unicode字符的16/17）。因此在a中String，这没有直接问题，因为当要使用
另外两个字节 存储〜1.048.576个字符之一时，只需使用其中的两个数组位置String。

这，不构成任何 直接的 问题，适用于StringS，因为不可能永远是一个额外的两个字节。尽管相对于UTF-16编码， 固定长度为16位的
单个变量来说，如何存储这些字符，特别是Java如何使用其 2字节的“字符”来实现呢？类型 ？

Answer 1

答案在javadoc中：

char数据类型（以及因此Character对象封装的值）基于原始Unicode规范，该规范将字符定义为固定宽度的16位实体。此后，对Unicode标准进行了更改，以允许其表示需要超过16位的字符。

合法代码点的范围现在为U + 0000到U + 10FFFF，即Unicode标量值。（请参阅Unicode标准中U + n表示法的定义。）从U +
0000到U + FFFF的字符集有时被称为基本多语言平面（BMP）。代码点大于U + FFFF的字符称为补充字符。Java
2平台在char数组以及String和StringBuffer类中使用UTF-16表示形式。在此表示形式中，辅助字符表示为一对char值，第一个字符来自高代理范围（\
uD800- \ uDBFF），第二个字符来自低代理范围（\ uDC00- \ uDFFF）。

因此，char值表示基本多语言平面（BMP）代码点，包括代理代码点或UTF-16编码的代码单元。一个int值表示所有Unicode代码点，包括补充代码点。int的低21位（最低有效）用于表示Unicode代码点，高11位（最高有效）必须为零。

除非另有说明，否则有关补充字符和替代char值的行为如下：仅接受char值的方法不能支持补充字符。他们将代理范围中的char值视为未定义字符。例如，Character.isLetter（’\
uD840’）返回false，即使该特定值（如果在字符串中后接任何低替代值都表示一个字母）也是如此。接受int值的方法支持所有Unicode字符，包括补充字符。例如，Character.isLetter（0x2F81A）返回true，因为代码点值表示字母（CJK表意文字）。在Java
SE API文档中，Unicode代码点用于U + 0000到U +
10FFFF之间的字符值，Unicode代码单元用于16位char值，这些值是UTF-16编码的代码单元。有关Unicode术语的更多信息，请参阅Unicode术语表。

简单地说：

• char规则的16位是为Unicode标准的旧版本设计的
• 您有时需要两个字符来表示基本多语言平面中没有的Unicode符文（代码点）。这种“有效”的方法是因为您不经常使用字符，尤其是在BMP之外处理Unicode符文。

更简单的说：

• Java字符不代表Unicode代码点（嗯，并非总是如此）。

顺便说一句，可以注意到，Unicode的扩展超出了BMP，这使得UTF-16在全球范围内变得无关紧要，因为UTF-16甚至没有启用固定的字节/字符比率。这就是为什么更多现代语言基于UTF-8的原因。此宣言有助于理解它。