Java String保存字符串的機制

String 真的是 Immutable 的嗎

Java 中的 Unicode 字符串會按照 Latin1(所有的字符都小於 0xFF 時)或者 UTF16 的編碼格式保存在 String 中,保存為 byte 數組:

private final byte[] value;

通常所說的 Immutable 都是指 final bytes 在 String 初始化後就不會修改,所有字符串的相關操作都是不會修改原數組而是創建新的副本。

但是數組元素理論上是可以修改的,比如下面通過反射的方式,將字符串常量 abc 修改為 Abc:

    public static void main(String[] args) {
     setFirstValueToA("abc");
        String replaced = new String("abc");
        System.out.println(replaced); // Abc
    }
    
    private static void setFirstValueToA(String str) {
        Class<String> stringClass = String.class;
        try {
            Field value = stringClass.getDeclaredField("value");
            value.setAccessible(true);
            byte[] bytes = (byte[]) value.get(str);
            bytes[0] = 0x41; // A
 
        } catch (NoSuchFieldException | IllegalAccessException e) {
            e.printStackTrace();
        }
    }

字符串數組如何保存為字節數組

通過如下代碼測試幾個字符串數組:

    public static void main(String[] args) {
        printString("abc");
        printString("中文");
        printString("abc中文");
        printString("abc");
    }
    private static void printString(String str) {
        System.out.println("======>" + str);
        // return the UTF-16 char[] size
        System.out.println("length: " + str.length());
        // Use default Encoding (UTF-8)
        System.out.println("getBytes: " + str.getBytes().length);
        // Convert UTF-16 char[] to char
        System.out.println("codePointCount: " + str.codePointCount(0, str.length()));
        // Get the UTF-16 char[]
        System.out.println("toCharArray: " + str.toCharArray().length);
        // The UTF-16 char[] to bytes
        System.out.println("internal value: " + getStringInternalValueLength(str));
    }

結果如下:

internal value

首先解釋下 String 的 value 字段計算方式:

  • 所有字符都小於 0xFF 時,采用 Latin1 Character Encoding 來保存 Unicode code point,也就是每個字符都用一個 byte 來保存。比如“ABC”
  • 上述條件不滿足時,采用 UTF-16 Character Encoding 來保存,也就是每個字符都用 2 個或者 4 個 byte 來保存。

Unicode 是 Coded Character Set,將幾乎所有的人類文字映射到 code point 符號,通常格式為 U+xxxx,xxxx 為 16 進制整數,表達范圍為 U+0000~U+10FFFF。code point 符號是文字的規范化標記,但是實際保存時肯定還是要保存為字節數組的。這些不同的保存方式就是 Character Encoding,比如 UTF-8,還有 Java String 內部采用的 UTF-16。

UTF-16 是一種將 Unicode code point 表達成字符數組的編碼方式,對於 U+0000~U+FFFF,直接按照 2 個字節保存(細分的話還有大端字節序和小端字節序的區別);對於 U+10000~U+10FFFF,會先轉化為一對 U+D800~U+DFFF 范圍內的 code point(surrogate pair),再將這兩個 code point 按照前面的規則保存。之所以選擇這個范圍,是因為這個 Unicode 區間還沒有被分配有效的字符,因此可以和前面的規則區分。

“中文”這兩個漢字的 Unicode code point 非別為 U+4E2d、U+6587,大於 0xFF,所以保存 byte 長度為 4;”abc中文” 中存在不滿足條件的字符,所以全部用 UTF-16 保存,它們都是 2 個 byte 的,所以長度為 10。

“☺” 的 Unicode code point 為 U+1F60A,根據 UTF-16 規范,U+10000~U+10FFFF 需要轉化為 surrogate pair 之後再保存成 byte, 轉換後為 U+D83D、U+DE0A,因此 “abc” 的字節長度為 10。

toCharArray()

Java 中 char 的大小為 2 個字節,剛好可以表示一個 U+0000~U+FFFF 的 Unicode 符號。

Latin1 編碼時,char 數組為 byte 數組的填充,高字節為 0;UTF-16 編碼時,相當於轉化過 surrogate pair 後的 Unicode 編碼數組,其中 0xD800~0xDFFF 范圍內的為 surrogate 字符。

“abc” 時為 Latin1 編碼,所以 char 數組大小等於 bytes 數組;“abc中文” 時為 UTF-16 編碼,所以 char 數組大小等於 bytes 數組的一半。

codePointCount()

toCharArray 方法將轉化後的 surrogate pair 也算在內,因此實際長度可能大於字符長度。而 codePointCount 就能去除 surrogate pair 的影響,返回初始的字符長度,它會將連續兩個 surrogate pair 隻計數一次。

String.length

該方法就是 toCharArray 數組的長度,受到 surrogate pair 的影響,可能大於字符長度。

str.getBytes().length

String 內部是通過 UTF-16 編碼保存的字節數組,當通過 getBytes 方法返回時,是需要指定 Encoding 的,默認采用 UTF-8,因此會將 UTF-16 的字節數組轉化為 UTF-8 的字節數組,每個 Unicode 符號在 UTF-8 編碼後長度為 1~4 字節。

        System.out.println("abc".getBytes(UTF_8).length); // 3
        System.out.println("中".getBytes(UTF_8).length); // 3
        System.out.println("文".getBytes(UTF_8).length); // 3
        System.out.println("".getBytes(UTF_8).length); // 4

 

最後

到此這篇關於Java String保存字符串的機制的文章就介紹到這瞭,更多相關Java String保存字符串內容請搜索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: