关于java中char占几个字节，汉字占几个字节

我们平常说，java中char占2个字节，可又说汉字在不通的编码格式中所占的位数是不同的，比如gbk中汉字占2个字节，utf8中多数占3个字节，少数占4个。而所有汉字在java程序中我们都可以简单的用 char c = '字' 表示; 那么问题来了，在java程序运行的时候，究竟汉字占几个字节呢？
--------------------------
在讨论这个问题之前，我们需要先区分unicode和UTF。
1、unicode ：统一的字符编号，仅仅提供字符与编号间映射。符号数量在不断增加，已超百万。详细：[https://zh.wikipedia.org/zh-cn/Unicode]
2、UTF ：unicode转换格式 (unicode transformation format) 。定义unicode中编号的编码方式。utf8和utf16便是其中两种实现方式。其中utf8为变长表示，长度可能时1～6个字节；utf16为变长表示，长度可能是2或4个字节。详细：UTF8 [https://zh.wikipedia.org/zh-cn/UTF-8] UTF16 [https://zh.wikipedia.org/zh-cn/UTF-16]
接着，要分清内码（internal encoding）和外码（external encoding）。
1、内码 :某种语言运行时，其char和string在内存中的编码方式。
2、外码 :除了内码，皆是外码。
要注意的是，源代码编译产生的目标代码文件（可执行文件或class文件）中的编码方式属于外码。
先看一下内码
JVM中内码采用UTF16。早期，UTF16采用固定长度2字节的方式编码，两个字节可以表示65536种符号（其实真正能表示要比这个少），足以表示当时unicode中所有字符。但是随着unicode中字符的增加，2个字节无法表示所有的字符，UTF16采用了2字节或4字节的方式来完成编码。Java为应对这种情况，考虑到向前兼容的要求，Java用一对char来表示那些需要4字节的字符。所以，java中的char是占用两个字节，只不过有些字符需要两个char来表示。
详细：
外码
Java的class文件采用UTF8来存储字符，也就是说，class中字符占1～6个字节。
Java序列化时，字符也采用UTF8编码，占1～6个字符。
总结：
1、java中内码（运行内存）中的char使用UTF16的方式编码，一个char占用两个字节，但是某些字符需要两个char来表示。所以，一个字符会占用2个或4个字节。
2、java中外码中char使用UTF8的方式编码，一个字符占用1～6个字节。
3、UTF16编码中，英文字符占两个字节；绝大多数汉字（尤其是常用汉字）占用两个字节，个别汉字（在后期加入unicode编码的汉字，一般是极少用到的生僻字）占用四个字节。
4、UTF8编码中，英文字符占用一个字节；绝大多数汉字占用三个字节，个别汉字占用四个字节。
----------------------------------------------
综上，java运行时采用utf16编码，多数汉字占2个字节，一个char就够了，少数占4个字节，需要两个char来表示。
说明：utf16中，通常汉字2字节，CJKV扩展B区、扩展C区、扩展D区的汉字占4个字节。

posted @ 2017-11-09 10:21  facelessvoidwang  阅读(2422)  评论(0)  编辑  收藏  举报