Java中字符串的字节码

Question

在Java中，如果我有一个字符串x，如何计算该字符串中的字节数？

- Green

---

有时候，我们可能会使用字符串表示HTTP响应的主体，并使用其大小来设置“Content-Length”标头。需要注意的是，“Content-Length”标头用八位字节(即“octets”)而非字符数来指定大小。参考文献：http://www.w3.org/Protocols/rfc2616/rfc2616-sec14.html#sec14.13 - jacobq

数据库列可能有字节长度限制，例如Oracle中的VARCHAR2（4000 BYTE）。一个人可能想要知道使用所需编码的字符串的字节数，以知道该字符串是否适合。 - Somu

@iX3 正是我想要做的事情。 - MC Emperor

我认为这个问题有两种可能的解释，取决于意图：一种是“我的String使用了多少内存？”。答案由@roozbeh提供（也许除了VM细节，如压缩OOPS）。另一个是，“如果我将字符串转换为byte[]，那么该字节数组会使用多少内存？”这就是Andrzej Doyle回答的问题。差异可能很大：“Hello World”在UTF8中是11个字节，但String（根据@roozbeh）是50个字节（如果我的数学没错的话）。 - L. Blanc

我应该补充一下，这11个字节不包括保存它们的byte[]对象的开销，因此比较有些误导性。 - L. Blanc

Answer 1

字符串是字符（即代码点）的列表。将其转换为字节所占用的字节数完全取决于使用的编码方式。

尽管如此，您可以将字符串转换为字节数组，然后按以下方式查看其大小：

// The input string for this test
final String string = "Hello World";

// Check length, in characters
System.out.println(string.length()); // prints "11"

// Check encoded sizes
final byte[] utf8Bytes = string.getBytes("UTF-8");
System.out.println(utf8Bytes.length); // prints "11"

final byte[] utf16Bytes= string.getBytes("UTF-16");
System.out.println(utf16Bytes.length); // prints "24"

final byte[] utf32Bytes = string.getBytes("UTF-32");
System.out.println(utf32Bytes.length); // prints "44"

final byte[] isoBytes = string.getBytes("ISO-8859-1");
System.out.println(isoBytes.length); // prints "11"

final byte[] winBytes = string.getBytes("CP1252");
System.out.println(winBytes.length); // prints "11"

所以，你看到了，即使是一个简单的“ASCII”字符串，在不同的编码方式下它的表示方式所占用的字节数也会不同。在你的情况下，使用你感兴趣的字符集作为getBytes()方法的参数。不要陷入误认为UTF-8将每个字符都表示为单个字节的陷阱中，因为这并不是真实情况:

final String interesting = "\uF93D\uF936\uF949\uF942"; // Chinese ideograms

// Check length, in characters
System.out.println(interesting.length()); // prints "4"

// Check encoded sizes
final byte[] utf8Bytes = interesting.getBytes("UTF-8");
System.out.println(utf8Bytes.length); // prints "12"

final byte[] utf16Bytes= interesting.getBytes("UTF-16");
System.out.println(utf16Bytes.length); // prints "10"

final byte[] utf32Bytes = interesting.getBytes("UTF-32");
System.out.println(utf32Bytes.length); // prints "16"

final byte[] isoBytes = interesting.getBytes("ISO-8859-1");
System.out.println(isoBytes.length); // prints "4" (probably encoded "????")

final byte[] winBytes = interesting.getBytes("CP1252");
System.out.println(winBytes.length); // prints "4" (probably encoded "????")

（注意，如果您没有提供字符集参数，则使用平台的默认字符集。这在某些情况下可能很有用，但通常应避免依赖默认值，并且在需要进行编码/解码时始终使用显式字符集。）

- Andrzej Doyle

---

所以，如果我使用getBytes()，它会给我与x.length相同的长度，这样我就不确定了，因为我不确定是否正确。 - Green

@Green Ash：字节数组的长度 -- getBytes() -- 和 x.length 可能相等，但并不保证相等。如果所有字符都用单个字节表示，这两者将是相等的。对于使用每个字符一个字节（或更少）的字符编码，例如ISO-8859-1，这始终成立。UTF-8 使用 1 或 2 个字节，因此取决于字符串中确切的字符。然后有一些字符编码始终每个字符使用两个字节。 - Kris

我们可以说在Java中，一个字符串字符总是占用4个字节的内存空间吗？因为一个字符串字符是一个代码点。 - Koray Tugay

@KorayTugay char 不是 一个码点。一个char是16位（基本上是无符号的short），因此它在内存中始终占用2个字节。需要使用int来表示4字节的码点，这就是为什么像String.codePointAt()这样的方法返回int而不是char的原因。 - Andrzej Doyle

@KorayTugay 是的，或多或少。不过你可以对因果顺序进行争论。我更倾向于说一个char总是2个字节，因为它是一种原始数据类型，定义为2个字节宽。（而UTF-16表示主要是其结果，而不是反过来。） - Andrzej Doyle

Answer 2

如果你正在使用64位引用：

sizeof(string) = 
8 + // object header used by the VM
8 + // 64-bit reference to char array (value)
8 + string.length() * 2 + // character array itself (object header + 16-bit chars)
4 + // offset integer
4 + // count integer
4 + // cached hash code

换句话说：

sizeof(string) = 36 + string.length() * 2

在32位虚拟机或启用压缩的OOPs（-XX:+UseCompressedOops）的64位虚拟机上，引用占用4个字节。因此，总数为：

sizeof(string) = 32 + string.length() * 2

这并未考虑对字符串对象的引用。

- roozbeh

---

我想你需要翻译这段话：“I was assuming the question was about the number of bytes allocated in memory for a String object. If the question is about the number of bytes required to serialize the String, as others have pointed out, it depends on the encoding used.”如果问题是关于在内存中为String对象分配的字节数，那么我假设的答案是这个数字。但是，如果问题是关于序列化String所需的字节数，正如其他人指出的那样，这将取决于使用的编码方式。 - roozbeh

你的答案来源是什么？谢谢。 - mavis

注意：sizeof 应该是 8 的倍数。 - dieter

Answer 3

这里有一个学究式的答案（虽然并不一定是最有用的，取决于你对结果想要做什么）：

string.length() * 2

Java字符串在物理上以UTF-16BE编码存储，每个代码单元使用2个字节，并且String.length()以UTF-16代码单元表示长度，因此这等价于：

final byte[] utf16Bytes= string.getBytes("UTF-16BE");
System.out.println(utf16Bytes.length);

这将告诉您内部char数组的大小，以字节为单位。

注意: "UTF-16"将与"UTF-16BE"给出不同的结果，因为前者编码将插入BOM，使数组的长度增加2个字节。

- finnw

---

Roozbeh的答案更好，因为它也考虑了其他字节。 - Lodewijk Bogaards

@finnw 你确定编码是UTF-16BE而不是UTF-16吗？根据String类的Javadoc（https://docs.oracle.com/javase/6/docs/api/java/lang/String.html），“字符串表示UTF-16格式的字符串...”。 - entpnerd

Answer 4

根据在Java中如何将字符串转换为UTF8字节数组并相互转换的回答：

String s = "some text here";
byte[] b = s.getBytes("UTF-8");
System.out.println(b.length);

- Boris Pavlović

---

但是抱歉，当我编译你的代码时，它会因为参数“UTF-8”而出现错误。当我传递一个空参数时，它会给出与x.length相同的长度。我误解了这个概念，请帮忙解释一下。 - Green

@Green Ash，你用的是哪个版本的Java？ - Buhake Sindi

@Green Ash，你遇到了什么异常？ - Buhake Sindi

请明确，这是输出：test.java:11: 未报告的异常java.io.UnsupportedEncodingException; 必须捕获或声明为抛出 byte[] b = s.getBytes("UTF-8"); ^ 1个错误处理完成。 - Green

@Green，请尝试使用s.getBytes(Charset.forName("UTF-8"))。此代码行的作用是将字符串编码为UTF-8格式的字节数组。 - james.garriss

Answer 5

String实例在内存中分配一定数量的字节。也许你在查看像sizeof("Hello World")这样的东西，它将返回数据结构本身分配的字节数？

在Java中，通常不需要sizeof函数，因为我们从不分配内存来存储数据结构。我们可以查看String.java文件进行粗略估计，我们看到一些'int'、一些引用和一个char[]。 Java语言规范定义了char的范围为0到65535，因此两个字节足以在内存中保存一个字符。但是JVM不必将一个字符存储在2个字节中，它只需要保证char的实现可以容纳定义范围内的值。

因此，在Java中，sizeof确实没有任何意义。但是，假设我们有一个大型字符串，一个char分配两个字节，则String对象的内存占用至少为2 * str.length()字节。

- Andreas Dolk

Answer 6

有一种方法叫做getBytes()。明智使用它。

- Andrei Ciobanu

---

明智的做法是不要使用没有字符集参数的那个。 - Thilo

为什么？如果我配置我的环境以UTF8编码运行，这是一个问题吗？ - ziggy

getBytes方法还会创建并复制字节数组，因此如果您处理的是长字符串，这个操作可能会变得很昂贵。 - ticktock

@ticktock，如果你还在的话，是的，但是有什么替代方案吗？我来这里是希望有一个库函数可以返回所需的存储空间，以便我可以将其合并到更大的分配中。 - SensorSmith

Answer 7

尝试这个：

试试看：

Bytes.toBytes(x).length

假设您之前已经声明并初始化了 x。

- ant

---

这个类是标准的Java库吗？我找不到Bytes类。 - Kröw

Answer 8

使用apache commons来尝试此操作：

String src = "Hello"; //This will work with any serialisable object
System.out.println(
            "Object Size:" + SerializationUtils.serialize((Serializable) src).length)

- Preetam Purbia

Answer 9

为避免使用 try catch，可以使用以下方法：

String s = "some text here";
byte[] b = s.getBytes(StandardCharsets.UTF_8);
System.out.println(b.length);

- radu_paun

Answer 10

如果您想引用某个标准包中的 Charset，而不是使用字符串字面量 "UTF-8"，那么您可以使用 java.nio。

import java.nio.charset.StandardCharsets;
..
int numBytes = myString.getBytes(StandardCharsets.UTF_8).length;

- y2k-shubham