一个关于Unicode字符编码的奇怪问题

有一个学员问了一个关于Unicode字符编码的奇怪问题。

 

问题如下：

String strChina = "中国";

 

（1）直接把每个字符中的内容对应着的整数打印出来，显示的结果就是这个字符的Unicode码，则下面的代码：

              for(int i=0; i<strChina.length(); i++)

              {

                     System.out.println(Integer.toHexString((int)strChina.charAt(i)));

              }

打印出的结果是：

       4e2d

       56fd

（2）下面的代码：

              byte [] buf = strChina.getBytes("Unicode");

              for(int i=0; i<buf.length; i++)

              {

                     System.out.println(Integer.toHexString(buf[i]));

              }

打印出的结果是：

       ffffffff

       fffffffe

       2d

       4e

       fffffffd

       56

打印出的“ffffffff”和“fffffffe”表示什么？“2d”和“4e”为什么和直接打印的结果是相反的？

 

回答如下：

 

在不同体系结构的计算机系统中，UTF-16编码的Unicode字符在内存中的字节存储顺序是不同的。使用Intel CPU的计算机中，一个多字节数据在内存中的存储形式通常是：低字节在前，高字节在后，这种方式称为Little-Endian（最不重要的字节在先）。但是，在使用其他CPU的一些计算机中，又是以高字节在前，低字节在后的方式存储多字节数据的，这种方式称为Big-Endian（最重要的字节在先）。对于0x1234这样一个双字节数据，使用Little-Endian和Big-Endian两种方式在内存中存储的格式如图7.4所示。

 

 

对于采用UTF-16编码的文件，通常都要用字节顺序标记（Byte Order Mark，简称BOM）来说明文件中的字符所使用的字节存储顺序。如果文件以0xFE 0xFF这两个字节开头，则表明文本的其余部分是Big-Endian的 UTF-16编码；如果文件以0xFF 0xFE这两个字节开头，则表明文本的其余部分是Little-Endian的 UTF-16编码；如果文件开头没有使用任何字节顺序标记，则暗指全部文本都是Big-Endian的 UTF-16编码。

“ffffffff”和“fffffffe”实际上是0xff和0xfe的两个字节，把他们当作整数打印时，就成了4个字节， 由于0xfe的最高bit位是1，当它转成4字节的整数时，前面3个字节的所有bit位都补1,结果就成了0xfffffffe。前面打印出：

ffffffff

fffffffe

2d

4e

fffffffd

56

实际上是：

ff

fe

2d

4e

fd

56

 

前两个字节是在说字节存储顺序！