Java中英文和中文字符分别占用多少字节？

Question

import java.io.UnsupportedEncodingException;

public class TestChar {

    public static void main(String[] args) throws UnsupportedEncodingException {
        String cnStr = "龙";
        String enStr = "a";
        byte[] cnBytes = cnStr.getBytes("UTF-8");
        byte[] enBytes = enStr.getBytes("UTF-8");

        System.out.println("bytes size of Chinese：" + cnBytes.length);
        System.out.println("bytes size of English：" + enBytes.length);

        //  in java, char takes two bytes, the question is: 
        char cnc = '龙'; // will '龙‘ take two or three bytes ?
        char enc = 'a'; // will 'a' take one or two bytes ?
    }
}

输出：

   bytes size of Chinese：3

   bytes size of English：1

在这里，我的JVM设置为UTF-8，从输出结果可以知道，汉字“龙”需要3个字节，而英文字母“a”只需要1个字节。那么我的问题是：

在Java中，char类型占用2个字节。那么在这里，定义char变量cnc='龙'和enc='a'时，cnc只占用了2个字节而不是3个字节吗？而‘a’是否占用了2个字节而不是1个字节？

- ning morris

Answer 1

龙 的代码点值为 40857，可以放入 char 类型的两个字节中。

在 UTF-8 编码中，需要占用 3 个字节进行编码，因为并非所有的 2 字节序列都是有效的。

- Andy Turner

Answer 2

UTF-8 是一种可变长度的字符编码格式，其中字符占用1到4个字节。

在Java中，char类型占用16位。请参阅Java语言规范中的第3.1节Unicode以了解Java如何处理Unicode。

- Jesper

Answer 3

在内部，字符串/字符采用UTF-16编码，因此对于两者来说都是相同的：每个字符将占据16位。

byte[] cnBytes = cnStr.getBytes("UTF-8");

UTF-8是一种可变长度编码，因此中文字符需要更多的位数，因为它超出了ASCII字符范围。

- Jonathan S. Fisher

---

在最近的版本中，如果字符串中的所有字符都是Latin-1，则Java可以将它们内部存储为每个字符一个字节，但这与本问题并不相关。char仍然始终是16位。 - David Conrad

不错，我不知道这个！听起来像是昔日的速度技巧“-XX:UseCompressedStrings”。 - Jonathan S. Fisher