Java數據類型之細講char類型與編碼關系

一、開頭

Java是一種強類型的語言，這意味著必須為每一個變量聲明一種類型

Java中一共有8種基本數據類型（整形有4種，浮點型有2種，字符型1種，還有一種佈爾類型）

由於Java程序必須保證在所有機器上都能得到相同的運行結果，所以各種數據類型的取值范圍必須是固定的

二、整形

整形共有4種

• byte：一個字節
• short：2個字節
• int：4個字節（剛好超過二十億）
• long int：8個字節

這裡要註意的一些地方是

• 長整形數值有一個後綴L或者l
• 十六進制數值有一個前綴0x或者0X
• 八進制有一個前綴0（容易混淆，不推薦使用）
• 從Java7（JDK1.7）開始可以使用0b或者0B寫二進制
• 從JAVA7開始，還可以為數字字面量加下劃線，如使用1_000_000表示100W（Java編譯器會去除這些下劃線）

開頭已經說瞭，各種數據類型的取值范圍必須是固定的，所以4種整形的范圍都為有符號位的范圍，Java也因此沒有Unsigned符號。

所以針對Unsigned的整形，基本數據類型的包裝類有對應的API的

這裡首先要認識的一點是，隻要不溢出，加法、減法和乘法都能正常計算，但除法是會出問題的

三、Byte.toUnsignedInt

這個API的功能是針對Unsigned的Byte的轉化成Unsigned

從源碼上看，其實就是將其強制轉換成int，相當於擴大瞭位數，然後通過與上0xff，0xff是十六進制，轉化成二進制就是11111111，這個與運算的作用其實為瞭限制位數，因為byte是1個字節，頂多隻有8位，超過8位的那些都不要，對於Unsigned來說，應該都為0.

四、Integer.divideUnsigned

這個API的功能是針對Unsigned的int類型除法的

可以看到，他的處理與Byte一樣，都是轉化成更高位的類型，這裡轉化成long，然後通過與運算舍棄後面多出來的位數（其實是改為0）

五、Integer.remainderUnsigned

這個是用來求餘數的

可以看到同樣也是轉化成更高位去處理

六、Long.divideUnsigned

現在Long沒有更高位瞭怎麼辦呢？

下面是源碼

 public static long divideUnsigned(long dividend, long divisor) {
        //divisor是除數
        //而divident是被除數
        
        //首先判斷除數是否為Unsigned（<0就代表為unsigned，隻不過將符號位看成1，變為負數）
        if (divisor < 0L) { // signed comparison
            // Answer must be 0 or 1 depending on relative magnitude
            // of dividend and divisor.
            
            //可以看到這裡的返回值隻有0和1
            //這是因為除數為unsigned，根據整形的向下取整規則
            //得到的結果隻能為1和0（dividend大於divisor就為1，小於就為0）
            //dividend不可能為divisor的兩倍（因為位數不過）
            return (compareUnsigned(dividend, divisor)) < 0 ? 0L :1L;
        }

        //如果除數不是Unsigned，那麼就判斷被除數
        
        if (dividend > 0) //  Both inputs non-negative
            //如果被除數不是Unsigned，就直接除就好
            return dividend/divisor;
        else {
            /*
             * For simple code, leveraging BigInteger.  Longer and faster
             * code written directly in terms of operations on longs is
             * possible; see "Hacker's Delight" for divide and remainder
             * algorithms.
             */
             //如果是，那麼就將除數和被除數換成更高位的BigInt型，去進行
           
            return toUnsignedBigInteger(dividend).
                divide(toUnsignedBigInteger(divisor)).longValue();
        }
    }

下面我們就來看看compareUnsigned方法

MIN_VALUE是代表長整形可以取的最小值，也就是 − 2 63 -2^{63} −263

可以看到，具體的過程就是讓兩個數減去最小值，然後進行比較

原理是，即使是Unsigned，隻要減去瞭最小值，就不會超過有符號位的范圍，然後通過比較減去後的大小，就可以判斷除數和被除數誰大誰小，然後就返回0和1。

七、浮點型

浮點型有兩種類型，一種為float，一種為double。

這裡，我們認識一下精度損失

在兩種浮點型，小數都是使用二進制表示的，比如 2 − 1 或 者 2 − 2 2^{-1}或者2^{-2} 2−1或者2−2，也就是0.5，0.125這些，也就是說，有一些小數是無法使用二進制表示的，隻能通過後面的位數進行無限逼近，所以就會產生精度損失。

那什麼是雙精度和單精度呢？

這是根據double和float的位數來區分的，double為8字節，而float為4字節，所以double可以使用更多位數進行逼近，所以double會更加精確。

這裡要註意的是，所有的浮點數計算都遵循IEEE754規范

對於表示溢出和出錯情況，使用瞭三個特殊的浮點數值去表示

• 正無窮大
• 負無窮大
• NaN（不是一個數字）

八、字符型

char類型本來用來表示單個字符，但如今有些Unicode字符可以用一個char表示，也就是兩個字節，但有時一些Unicode字符需要用多個字節表示，也就是使用多個char表示

char類型的值可以表示為十六進制值，從\u0000～\uffff。這裡是\u充當瞭一個轉義序列的功能，同時\u轉義序列是可以出現在字符常量或字符串，所以使用註釋和參數的時候，要註意一下

在Java中，char類型描述瞭UTF-16編碼中的一個代碼單元

九、Unicode

在認識UTF-16前，我們需要認識Unicode

Unicode其實相當於一本很厚的字典，裡面儲存瞭世界上所有語言的字符，使用Unicode碼點唯一地對應一個字符。

Unicode是沒有規定字符對應的二進制碼占用的空間是多少，那麼問題來瞭，以“漢”字為例，它的Unicode碼點為0x6c49，對應的二進制為110110001001001，也就是15位二進制，也就說明瞭，這個字需要用2個字節去存儲這個字，那麼，對於其他字體，很有可能出現3個字節，或者更多的字節去存儲，對於計算機來說，計算機怎麼知道這兩個字節表示的是一個字符，而不是與後面的字節形成一個字符?

所以，為瞭解決Unicode的這個問題，新的編碼方式UTF-8、UTF-16和UTF-32就出現瞭

十、UTF-8

UTF其實是Unicode Transformation Format的縮寫，即統一Unicode編碼轉換格式

UTF-8的特點就是可變長，即對於不同長度字節的字符有很好的兼容性

編碼規則如下

對於單個字節的字符（也就是基本字符），也就是8位，會將第一位設為0，後面的七位會對應這個字符的Unicode碼點，因此對於0～ 2 7 2^7 27號字符是完全可以的，甚至與ASCII（另一種編碼方式，隻不過不支持中文隻有英文和符號）完全相同（這時候可能會有人說那麼對於 2 8 至 2 7 2^8至2^7 28至27裡面的字符呢？其實這一段被分在瞭使用2個字節表示）

對於需要使用N個字節來表示的字符(N>1)，第一個字節的前N位都設為1，第N+1位設為0（用來記錄這個字符是用多少個字節來存儲的，讓計算機可以識別出），剩餘後面的N-1個字節的前兩位都要設置為10，剩下的二進制位則使用這個字符的Unicode碼點來進行補充

0000 0800 ~ 0000 FFFF(註意這裡位16位)1110xxxx 10xxxxxx 10xxxxxx(對應碼點16位)0001 0000 ~ 0010 FFFF(這裡為18位)11110xxx 10xxxxxx 10xxxxxx 10xxxxxx（雖然超過碼點位數，但不影響表示）

通過表格，可以看到UTF-8d的編碼其實很簡單，下面還是以”漢”為例，具體說一下如何進行UTF-8的編碼和解碼的

漢的編碼為0x00006c49，對應在Unicode十六進制碼點范圍的第三行，所以對應的UTF-8二進制為 1110 x x x x 10 x x x x x x 10 x x x x x x 1110xxxx 10xxxxxx 10xxxxxx 1110xxxx10xxxxxx10xxxxxx，然後將0x0006c49變為二進制為0x0110110001001001，然後填入到x裡面即可（從第最後一位開始），結果為111001101011000110001001，然後再轉換成十六進制為：0xE6 0xB7 0x89

解碼的過程也十分簡單：專為二進制之後，先判斷多少個字節，如果第一個字節的第一位是0，則代表是隻有1和字節，如果不是，就判斷前面總共有多少個1就碰到0，多少個1就是多少個字節，通過知道多少個字節，就可以知道後面要讀多少個字節來對應這個字符，隻要去掉開頭的10就行

十一、UTF-16

在認識UTF-16之前，先認識平面這個東西

前面提到過Unicode編碼是一本很厚的字典，將全世界的字符都定義在這個集合裡面，但這本字典不是一次性完成的，而是經過持續地收集才完成的，所以也就產生瞭分區，進行分區定義。每個區可以存放65536，也就是2^16字符，一個區就稱為一個平面。目前Unicode一共有17（2 ^ 4+1）個平面（剩餘16個為輔助平面），所以整個Unicodez字符集大小為 2 21 2^{21} 221

第一個平面，也就是第一個區，被稱為基本平面，前 2 16 2^{16} 216個字符也就被成為基本字符，碼點范圍也就是從0~ 2 16 − 1 2^{16}-1 216−1，寫成十六進制就是從U+0000到U+FFFF，最常見的字符大多都在這個區瞭。那麼剩餘的17個區，對應的碼點就是從U+10000到U+10FFFF（剛好16倍），那麼要如何解決確定字符與字節對應的問題呢？

基本平面有一個很巧妙的地方，在基本平面內，從U+D800到U+DFFF是一個空段，也就是再這個區間內的碼點是沒有對應任何字符的，因此UTF-16就利用瞭這個空段來做瞭一個映射輔助平面的碼點（利用基本平面來儲存輔助平面）

在輔助平面碼點對應的字符總共有 2 20 2^{20} 220個，所以至少需要20個二進制位才可以完全對應輔助平面碼點的字符。

UTF-16將這20個二進制位分成一半，前十位映射在U+D800到U+DBFF之間（稱為高位），後10位映射在U+DC00到U+DFFF之間（成為低位），所以當遇到多個字節時，如果發現有碼點位於這兩個段區間，這就意味著這是輔助平面碼點的映射，輔助平面字符被拆分成多個基本平面的碼點表示。

據個栗子

漢字”?“的 Unicode 碼點為 0x20BB7，該碼點顯然超出瞭基本平面的范圍（0x0000 – 0xFFFF），因此需要使用四個字節表示。首先用 0x20BB7 – 0x10000 計算出超出的部分，然後將其用 20 個二進制位表示（不足前面補 0 ），結果為0001000010 1110110111。接著，將前 10 位映射到 U+D800 到 U+DBFF 之間，後 10 位映射到 U+DC00 到 U+DFFF 即可。U+D800 對應的二進制數為 1101100000000000，直接填充後面的 10 個二進制位即可，得到 1101100001000010，轉成 16 進制數則為 0xD842。同理可得，低位為 0xDFB7。因此得出漢字”?”的 UTF-16 編碼為 0xD842 0xDFB7

現在我們回到字符型裡面的重點在Java中，char類型描述瞭UTF-16編碼中的一個代碼單元，可以知道char類型采用的是utf-16編碼方式，代碼單元其實指的就是U+D800～U+DBFF和U+DC00～U+DFFF這兩個映射區（這裡是兩個個代碼單元，一個char隻能使用一個代碼單元，不過通常一個代碼單元能表示絕大多數的字符瞭，但也是因為這個原因，有些字符char不可以完整表示），通過這個代碼單元，就可以進行解碼獲取Unicode編碼瞭

十二、佈爾類型

boolean類型有兩個值，false和true，用來判斷邏輯條件，整形值和佈爾值之間是不能互換的。

到此這篇關於Java數據類型之細講char類型與編碼關系的文章就介紹到這瞭,更多相關Java char類型與編碼關系內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：

• C++實現LeetCode(29.兩數相除)
• Python有關Unicode UTF-8 GBK編碼問題詳解
• Java String保存字符串的機制
• C語言中數據在內存如何存儲
• Java基礎-Java基本數據類型