Java中String的字符编码是什么？

Question

我对Java字符串的编码存在困惑。我有几个问题，请帮助我：

1）Java字符串在内存中的本地编码是什么？当我写String a = "Hello"时，以哪种格式存储？由于Java是机器独立的，系统不会进行编码。

2）我在网上读到“UTF-16”是默认编码，但我感到困惑，因为当我写int a = 'c'时，我得到的是ASCII表中字符的编号。那么ASCII和UTF-16是相同的吗？

3）此外，我不确定字符串在内存中的存储取决于什么：操作系统，语言？

- user506710

---

您应该考虑将这些问题分成单独的问题，因为它们实际上非常不同。第二个问题可能可以在此处回答：https://dev59.com/cEnSa4cB1Zd3GeqPO47I - Ethel Evans

Answer 1

1. Java内部将字符串存储为UTF-16编码。

2. “默认编码”并不完全正确。Java内部将字符串存储为UTF-16编码，但外部使用的编码——“系统默认编码”——因平台而异，有些平台甚至可以通过环境变量进行修改。

   ASCII是Latin 1的子集，而Latin 1又是Unicode的子集。UTF-16是一种对Unicode进行编码的方式。因此，如果你对ASCII范围内的任何字符执行int i='x'测试，你将得到ASCII值。但是，UTF-16可以表示比ASCII更多的字符。

3. 根据java.lang.Character文档:

   Java 2平台在char数组以及String和StringBuffer类中使用UTF-16编码。

   因此，作为Java 2平台的一部分，这些类使用UTF-16编码。

- Laurence Gonsalves

---

char和char数组的使用仅针对String和StringBuffer的公共外部API定义。字符的内部存储是实现特定的。 - jarnbjo

@jarnbjo 上述是文档中的直接引用。在Java中，char数据类型表示一个UTF-16代码单元（而不是字符，即Unicode代码点），因此我认为可以非常肯定地说，Java语言对文本的表示是UTF-16。是的，理论上实现可能会选择在底层执行不同的操作，但最终它们必须使其看起来就像在使用UTF-16一样。 - Laurence Gonsalves

由于无法访问String和StringBuffer类的内部存储，因此假设您引用的语句适用于它是没有意义的。 - jarnbjo

UTF-16BE 还是 UTF-16LE？ - Hendy Irawan

Jana不允许您访问单个字节，只能访问对应于UTF-16代码单元的字符，因此没有设置大小端。内存中实际使用的大小端与JVM/平台有关，就像存储int时所使用的大小端一样。 - Laurence Gonsalves

Answer 2

1) 字符串是对象，通常包含一个 char 数组和字符串的长度。字符数组通常实现为一组连续的16位字，每个字节按本地字节顺序包含Unicode字符。

2) 将字符值分配给整数会将16位Unicode字符代码转换为其整数等效项。因此，'c'，它的Unicode编码是 U+0063，变成了 0x0063，即99。

3) 因为每个String都是一个对象，所以它包含其他信息，而不仅仅是类成员（例如，类描述符单词、锁/信号量单词等）。

补充说明
对象内容取决于JVM实现（它确定与每个对象相关联的固有开销），以及类的实际编码方式（即，某些库可能比其他库更有效）。

例子
典型的实现将为每个对象实例分配两个词的开销（用于类描述符/指针和信号量/锁控制词）；一个String对象还包含一个int长度和一个char[]数组引用。字符串的实际字符内容存储在第二个对象中，即char[]数组，该数组又分配了两个字，加上一个数组长度字，再加上为字符串需要的多少个16位char元素（加上创建字符串时遗留下来的任何额外字符）。

补充说明2
一个字符表示一个Unicode字符的情况只在大多数情况下成立。这将意味着 UCS-2 编码和 2005 年之前为真。但是到现在 Unicode 已经变得更大了，而字符串必须使用 UTF-16 编码--在其中一个 Java 字符串中，一个 Unicode 字符可能要使用两个char。

看看Apache实现的实际源代码，例如：
http://www.docjar.com/html/api/java/lang/String.java.html

- David R Tribble

---

你在第三部分实际上想要表达什么？它包含其他信息，所以......？ - user506710

将字符值分配给整数会将16位Unicode字符代码转换为其整数等效项。这里有一点令人困惑的是，Unicode编码与ASCII在前256个字符上重合。Unicode与扩展ASCII（8位）的前256个字符相关联；扩展ASCII又直接对应7位ASCII的前128个字符。因此，'c'在Unicode、扩展ASCII和ASCII中都被编码为0x63。这就是为什么您会看到'c'的int并认为它是ASCII（它确实是：）。 - Hawkeye Parker

@HawkeyeParker：是的，7位ASCII（ISO 646）和8位ISO 8859-1（Latin-1）是Unicode的正确子集。话虽如此，Java将所有字符值编码为16位Unicode。 - David R Tribble

当然。我只是为那些可能会被重叠所困惑的人澄清一下。 - Hawkeye Parker

Answer 3

虽然这并不回答你的问题，但值得注意的是，在Java字节码（类文件）中，字符串以UTF-8编码存储。 http://java.sun.com/docs/books/jvms/second_edition/html/ClassFile.doc.html

- Ralph

---

@Loadmaster，我认为这是有用的信息，并且我明确提到它是类文件 - 那你有什么问题？ - Ralph

但它并没有回答问题。您可以将其作为评论发布，并以类似“虽然这并没有回答您的问题，但值得注意的是……”的方式开始。尽管如此，这确实是一条有用的信息，我不知道他们使用的是UTF-8。这意味着JVM必须在启动时将每个字符串转换为UTF-16。 - Sergei Tachenov

@Sergey Tachenov：字符串以UTF-8格式存储，这样.class文件就更小了（平均而言）。 - David R Tribble

如果使用javac -encoding ISO-8859-1选项创建.class文件，那么所有源文件的内容不是存储在UTF-8中，而是存储在ISO-8859-1中吗？ - parsecer

@parsecer：Oracle的文档对于“encoding:设置源文件编码名称，例如EUC-JP和UTF-8”非常严格——因此这仅适用于源文件（*.java）编码，而*.class文件中字符串的编码保持为UTF-8。 - Ralph

Answer 4

编辑：感谢LoadMaster帮助我纠正答案 :)

1）所有内部字符串处理都是使用UTF-16。

2）ASCII是UTF-16的子集。

3）在Java内部，使用的是UTF-16。对于其他情况，取决于你所处的位置。

- LaGrandMere

---

字符串在内部（内存中）以char[]的形式存储，每个元素包含一个16位UTF-16 Unicode字符。UTF-8不用于在内部存储字符串，但用于将I/O流转换为字符串和从字符串转换。 - David R Tribble

@LoadMaster：它是否随时间而改变？Java一直是在内部使用UTF-16编码吗？ - LaGrandMere

是的，String 类型一直使用内部的 char[] 数组来存储其字符值。 - David R Tribble