标签：const throws blog 默认 交流 格式转化 length alt 详细
一、前言
继上一篇写完字节编码内容后，现在分析在Java中各字符编码的问题，并且由这个问题，也引出了一个更有意思的问题，笔者也还没有找到这个问题的答案。也希望各位园友指点指点。
二、Java字符编码
直接上代码进行分析似乎更有感觉。
View Code运行结果：
View Code说明：通过结果我们知道如下信息。
1. 在Java中，中文在用ASCII码表示为3F，实际对应符号‘？‘，用ISO-8859-1表示为3F，实际对应符号也是为‘？‘，这意味着中文已经超出了ASCII和ISO-8859-1的表示范围。
2. UTF-16采用大端存储，即在字节数组前添加了FE FF，并且FE FF也算在了字符数组长度中。
3. 指定UTF-16的大端（UTF-16BE）或者小端（UTF-16LE）模式后，则不会有FE FF 或 FF FE控制符，相应的字节数组大小也不会包含控制符所占的大小。
4. Unicode表示与UTF-16相同。
5. getBytes()方法默认是采用UTF-8。
三、char表示问题
我们知道，在Java中char类型为两个字节长度，我们来看下一个示例。
public class Test {
public static void main(String[] args) throws Exception {
char ch1 = ‘a‘; // 1
char ch2 = ‘李‘; // 2
char ch3 = ‘\uFFFF‘; // 3
char ch4 = ‘\u10000‘; // 4
}
}
问题：读者觉得这样的代码能够编译通过吗？如不能编码通过是为什么，又具体是那一行代码出现了错误？
分析：把这个示例拷贝到Eclipse中，定位到错误，发现是第四行代码出现了错误，有这样的提示，Invalid character constant。
解答：问题的关键就在于char类型为两个字节长度，Java字符采用UTF-16编码。而‘\u10000‘显然已经超过了两个字节所能表示的范围了，一个char无法表示。说得更具体点，就是char表示的范围为Unicode表中第零平面（BMP），从0000 - FFFF（十六进制），而在辅助平面上的码位，即010000 - 10FFFF（十六进制），必须使用四个字节进行表示。
有了这个理解后，我们看下面的代码
public class Test {
public static void main(String[] args) throws Exception {
char ch1 = ‘a‘;
char ch2 = ‘李‘;
char ch3 = ‘\uFFFF‘;
String str = "\u10000";
System.out.println(String.valueOf(ch1).length());
System.out.println(String.valueOf(ch2).length());
System.out.println(String.valueOf(ch3).length());
System.out.println(str.length());
}
}
运行结果：
1 1 1 2
说明：从结果我们可以知道，所有在BMP上的码点（包括‘a‘、‘李‘、‘\uFFFF‘）的长度都是1，所有在辅助平面上的码点的长度都是2。注意区分字符串的length函数与字节数组的length字段的差别。
四、问题的发现
在写Java小程序时，笔者一般不会打开Eclispe，而是直接在NodePad++中编写，然后通过javac、java命令运行程序，查看结果。也正是由于这个习惯，发现了如下的问题，请听笔者慢慢道来，来请园友们指点指点。
有如下简单程序，请忽略字符串的含义。
public class Test {
public static void main(String[] args) throws Exception {
String str = "我我我我我我我\uD843\uDC30";
System.out.println(str.length());
}
}
说明：程序功能很简单，就是打印字符串长度。
4.1 两种编译方法
1. 笔者通过javac Test.java进行编译，编译通过。然后通过java Test运行程序，运行结果如下：
说明：根据结果我们可以推测，字符‘我‘为长度1，\uD843\uDC30为长度10，其中\u为长度1。
2. 笔者通过javac -encoding utf-8 Test.java进行编译，编译通过。然后通过java Test运行程序，运行结果如下：
说明：这个结果很好理解，字符‘我‘、\uD843、\uDC30都在BMP，都为长度1,故总共为9。
通过两种编译方法，得到的结果不相同，经过查阅资料知道javac Test.java默认的是采用GBK编码，就像指定javac -encoding gbk Test.java进行编译。
4.2. 查看class文件
1. 查看java Test.java的class文件，使用winhex打开，结果如下：
说明：图中红色标记给出了字符串"我我我我我我我\uD843\uDC30"大致所在位置。因为前面我们分析过，class文件的存储使用UTF-8编码，于是，先算E9 8E B4，得到Unicode码点为94B4（十六进制），查阅Unicode表，发现表示字符为‘鎴‘，这完全和‘我‘没有关系。并且E9 8E B4 后面的E6 88 9E，和E9 8E B4也不相等，照理说，相同的字符编码应该相同。后来发现，红色标记地方好像有点规则，就是E9 8E B4 E6 88 9E E5 9E 9C（九个字节）表示‘我我‘，重复循环了3次，表示字符‘我我我我我我‘，之后的E9 8E B4 E6 85（五个字节）表示‘我‘，总共7个‘我‘，很明显又出现疑问了。
猜测是因为使用javac Test.java进行编译，采用的是GBK编码，而class文件存储的格式为UTF-8编码。这两种操作中肯定含有某种转化关系，并且最后的class文件中也加入相应的信息。
2. 查看java -encoding -utf-8 Test.java的class文件，使用winhex打开，结果如下：
说明：红色标记给出了字符串的大体位置，E6 88 91，经过计算，确实对应字符‘我‘。这是没有疑问的。
4.3 针对疑问的探索
1. 又改变了字符串的值，使用如下代码：
public class Test {
public static void main(String[] args) throws Exception {
String str = "我我coder";
System.out.println(str.length());
}
}
同样，使用javac Test.java、java Test命令。得到结果为：
这就更加疑惑了。为什么会得到8。
2. 查阅资料结果
在Javac时，若没有指定-encoding参数指定Java源程序的编码格式，则javac.exe首先获得我们操作系统默认采用的编码格式，也即在编译java程序时，若我们不指定源程序文件的编码格式，JDK首先获得操作系统的file.encoding参数(它保存的就是操作系统默认的编码格式，如WIN2k，它的值为GBK)，然后JDK就把我们的java源程序从file.encoding编码格式转化为Java内部默认的UTF-16格式放入内存中。之后会输出class文件，我们知道class是以UTF-8方式编码的，它内部包含我们源程序中的中文字符串，只不过此时它己经由file.encoding格式转化为UTF-8格式了。
五、问题提出
1. 使用javac Test.java编译后，为何会得到上述class文件的格式（即GBK -> UTF16 -> UTF8具体是如何实现的）。
2. 使用javac Test.java编译后，为何得到的结果一个是17，而另外一个是8。
六、总结
探索的过程有很意思，这个问题暂时还没有解决，以后遇到该问题的答案会贴出来，也欢迎有想法的读者进行交流探讨。谢谢各位园友的观看~
参考链接：
http://blog.csdn.net/xiunai78/article/details/8349129
标签：const throws blog 默认 交流 格式转化 length alt 详细
原文地址：http://www.cnblogs.com/zhangyingai/p/7074541.html
