Java中String使用及分析（UTF-8简单编码/解码器实现）
本文共 12593 字，大约阅读时间需要 41 分钟。
0. Java中的字符串（String）
- 在 Java 语言中，字符串即 字符序列（这里的字符可以是一个英文字母例如 ‘A’，也可以是一个汉字例如 ‘楠’，也可以是一个韩语文字例如 ‘남’，也可以是一个 emoji 表情符号例如 ‘?’ 或 ‘?’）。原生类型 char 用来定义一个字符变量，char 类型字符变量用于保存一个字符。String 类型用来表示一个字符串，Java 中所有字符串字面量都是 String 类型的对象实例，而 String 类内部使用 char 类型的数组保存组成该字符串的字符序列，String 并没有提供修改字符串即 字符序列的方法，但这并不因为不能做到。下面是一个 String 类的构造器方法，如下：
public String(String original) { this.value = original.value; this.hash = original.hash; } 可见该方法使用一个 String 类型的实例对象初始化/创建另一个 String 对象，它们内部都指向同一个字符序列，这是通常我们创建一个 String 类型对象实例的方式之一：
String str = new String("this is string"); 可见，下面的直接赋值的方法更简洁/高效一点：
String str = "this is string";
- Java中的字符串并非不能修改，下面的例子使用反射来修改字符串对象的值：
import java.lang.reflect.Field;public class Test3 { public static void main(String[] args) throws NoSuchFieldException, SecurityException, IllegalArgumentException, IllegalAccessException { String str1 = "真楠人"; String str2 = "真楠人"; // 打印字符串 str1 和 str2 System.out.println("str1: " + str1 + ", str2: " + str2); // 通过反射更改字符串 str1 的值 Field valueField = String.class.getDeclaredField("value"); assert valueField != null; valueField.setAccessible(true); char[] value = (char[]) valueField.get(str1); value[0] = '假'; // 再次打印字符串 str1 System.out.println("str1: " + str1 + ", str2: " + str2); }} 代码执行结果如下：
str1: 真楠人, str2: 真楠人str1: 假楠人, str2: 假楠人
上述程序中，我们通过反射方法仅仅修改了字符串 str1 的内容，但是最后字符串 str2 的内容也一起改变了，原因在于 str1 和 str2 都是引用同一个字符串对象（字符串字面量 “真楠人” 为一个 String 类型的对象实例，虽然这个字面量在代码中出现多次，但是都是引用了同一个 String 实例，可见相同字符序列的字符串共享同一个 String 实例，即 共享字符串，这也解释了为什么 String 类没有提供修改字符串的公共方法以及String 类被设计为 final 类，都是为了共享字符串），这并不难理解。
1. Java中的字符（char）
- 下面的程序打印一个字符 ‘楠’ 字：
public class Temp_3 { public static void main(String[] args) { System.out.println('楠'); System.out.println((char)26976); System.out.println('\u6960'); }} 运行结果为：
楠楠楠
可见，三次打印输出的结果都一样。Java 语言使用 Unicode 字符集，Unicode 为每一个字符都分配的一个唯一的数字，即 这个数字便代表与之对应的字符，其中 ‘\u6960’ 即为字符 ‘楠’ 的 Unicode 十六进制编码，而十进制数 26976 则为这个十六进制数的十进制数值，它俩是同一个数值的不同表示方式而已。
- 我们知道 ASCII 字符集中，字符 ‘A’ 的编号为 65，即 可以对 65 进行强制类型转换即可得到其对应的字符 ‘A’。数值 65 使用一个字节便可存储，显然对于字符 ‘楠’（对应数值为 26976） 一个字节无法存储，那么它需要多少个字节才合适呢？
- 我们可以看看其它编程语言中的情况，在 C 语言中也有一个 char 数据类型，但是它仅仅表示一个字节的空间，看下面的 C 语言中的例子：
#includevoid main(){ char c = '楠'; // 一个字节 printf("%c, %d, size=%ld\n", c, c, sizeof c); char c2 = 'A'; // 一个字节 printf("%c, size=%ld\n", c2, sizeof c2); char c3[] = "楠"; // 字符串 printf("%s, size=%ld\n", c3, sizeof c3); char c4[] = "真楠人"; // 字符串 printf("%s, size=%ld\n", c4, sizeof c4);}
执行结果如下：
ubuntu@cuname:~/dev/beginning-linux-programming/temp$ gcc -o use-char-string-test use-char-string-test.cuse-char-string-test.c: In function ‘main’:use-char-string-test.c:4:14: warning: multi-character character constant [-Wmultichar] char c = '楠'; ^use-char-string-test.c:4:14: warning: overflow in implicit constant conversion [-Woverflow]ubuntu@cuname:~/dev/beginning-linux-programming/temp$ ./use-char-string-test�, -96, size=1 // cA, size=1 // c2楠, size=4 // c3真楠人, size=10 // c4
可以看到，将字符 ‘楠’ 赋值给 char 类型的变量时，gcc 编译器警告提示字符 ’楠‘ 为多字节字符常量，而变量 c 仅仅存储了字符 ’楠‘ 的一个字节的数据（且其数值为 -96，-96 是字符 ‘楠’ 字编码后的字节序列中的一个字节，变量 c 显示乱码），继续查看后续的输出结果，发现字符 ’A‘ 的长度为 1 个字节，而每个汉字占 3 个字节的存储空间（C 语言中的字符串字面量的内部实现为 char 类型的数组，且以一个空字符 ’\0‘表示字符串结尾，所以 sizeof 计算的字符串长度（即 字节数）比实际长度多一个字节）。3 个字节能表示的最大数值为 ’2的24次方‘ - 1 = 16777215，远远大于 26976（即字符 ’楠‘ 对应的数字），其实 2 个字节就足以存储数值 26976（即字符 ’楠‘），而实际上字符 ’楠‘ 却占用了 3 个字节空间，这是为啥？这与字符（即 数值）的编码（即 存储）方式有关，我们知道 Unicode 给每个字符分配一个唯一的数值来代表该字符，例如任一一篇文章很可能会有多个字符，但是在存储或传输该文章时，并不能就直接依次存储或传输与每个字符对应的十进制数字序列，这里需要考虑 2 个问题，第一如何从数字序列中识别一个字符，即每个字符的 ‘数字表示’ 其自身应当是一个整体，必须与其它的数字即与其相邻的数字区分开，第二个问题：成本，字符 ‘A’ 使用 1 个字节即可存储，但是字符 ‘楠’ 却要使用至少 2 个字节才能满足，这时，如果要求每个字符都是使用例如 2 个字节存储，那么对于英语国家的用户来说，相当于增加并浪费了 1 倍的成本，这是不能被接受！UTF-8 便是一种可变长度的 Unicode 字符编码解决方案，且被应用于 Java 语言，于是求助于 UTF-8（即 Unicode Transformation Format 8-bit，）。
2. UTF-8编码
- 参考链接
- 下面是对的解读（需要注意区分，Unicode 只是一个字符集，它为每个字符分配一个唯一的数字，从而可以用数字来表达字符，而 UTF-8 是一种编码方式，描述怎样实际存储Unicode 字符对应的数值）
- UTF-8 兼容 ASCII 字符集，即 将编号 0 - 127 留给 ASCII 字符集，这里（ASCII 字符集）总共 128 个数字（即 字符），使用 7 个 bit 的空间即可表示，每个 ASCII 字符占用一个字节，且该字节的最高位始终为 0，反过来，在 UTF-8 编码中，最高位为 0 的字节始终表示一个 ASCII 字符。
- UTF-8 使用 1 - 4 个字节来编码 Unicode 字符对应的数字编号，规则如下图
上图与 UTF-8 规范文档中的图有点不同：即 可编码的最大值不同，文档图如下： 
再回到前面说的字符 ‘楠’ 字，该字符的 Unicode 编号为 26976，而 26976 位于 2048 和 65535 之间，所以它使用 3 个字节进行编码并存储。在进行编码时，只需将 26976 的二进制码从低位到高位依次填入‘可用编码位’ 即可得到字符 ‘楠’ 对应的 UTF-8 编码，操作如下图： 
验证，使用 notepad++ 新建一个文本文件，并写入字符 ‘楠’ 字（注意，使用 utf-8编码），保存文件，然后使用 WinHex 打开该文本文件，结果如下： 
可见，结果正确。 - 上面是编码一个字符，下面从 以UTF-8 编码的字节数据中进行解码（解码是编码的反向操作，编码是将数值位依次插入到对应的可编码位，解码时则从可编码位提取对应的数值位并将它们拼接在一起，从而还原出原来的数值）。综上可以发现，以 UTF-8 编码的数据，其字节类型总共有 5 种，其中只有 4 中类型的字节是可作为一个 UTF-8 编码的起始字节（即标识一个字符编码的开始），如下图：
思路：将数值 240（即 ‘1111 0000’）与任意字节作 ‘&’ （即 ‘与’）位操作，其结果必定落在上图中的某个取值范围中，从而可以决定当前字节的类型（是否为一个字符编码的起始字节）。 简单 UTF-8 解码器 Java 实现，代码如下：
/** 简单 UTF-8 解码器（实际应用中，可能必须要注意/处理无效字符 即无效 unicode code-point 的情况） */import java.io.File;import java.io.FileInputStream;import java.io.IOException;import java.util.Random;public class UTF_8_decoder { /** 1M，用于缓存数据 */ private static final int BUFFER_SIZE = 1024 * 1024; /** 文本文件 */ private static final String filePath = "C:/Users/jokee/Desktop/data-for-test.txt"; public static void main(String[] args) throws IOException { File file = new File(filePath); FileInputStream fileReader = new FileInputStream(file); /** 用于缓存文件字节数据 即 缓存待解码的数据 */ byte[] buffer = new byte[BUFFER_SIZE]; /** 缓存所有数据 */ final int bytesLength = fileReader.read(buffer, 0, buffer.length); String result = doDecoding(buffer, bytesLength); // 打印结果 System.out.println("解码字符如下：\n" + "---------------------------------------------\n" + result); fileReader.close(); } /** * 执行解码操作，默认大端字节序 * bytes ： 待解码字节缓冲区 * bytesLength ：缓冲区 bytes 中，待解码的字节总数 */ public static String doDecoding(byte[] bytes, int bytesLength) { /** 保存解码后的数据 */ char[] charData = null; int charData_index = 0; String result = null; if (bytes != null && (bytesLength = Math.min(bytesLength, bytes.length)) > 0) { // 1 从一个随机位置开始解码// int startIndex = new Random().nextInt(bytesLength); // 2 解码所有字节数据 int startIndex = 0; /** 字符类型（参考 getType 方法） */ int type = 0; /** 保存一个字符的 UTF-8 编码 */ byte[] encodedCharData = new byte[4]; int encodedCharData_index = 0; // 初始化 charData = new char[BUFFER_SIZE]; for (; startIndex < bytesLength; ++startIndex) { if (encodedCharData_index == 0 && (type = getType(bytes[startIndex])) < 0) { // 直到找到一个 UTF-8 编码的起始字节为止 continue; } // 读取一个字符的编码 encodedCharData[encodedCharData_index++] = bytes[startIndex]; if (encodedCharData_index < type) { // 继续读取该字符剩余的其它字节 continue; } // 解码一个字符 if (type == 1) { // 1 // ascii 字符 charData[charData_index++] = (char) Byte.toUnsignedInt(encodedCharData[0]); } else if (type == 2) { // 2 // 提取第一个字节，屏蔽前 3 个 bit int b1 = 0b00011111 & Byte.toUnsignedInt(encodedCharData[0]); // 提取第二个字节，屏蔽前 2 个 bit int b2 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[1]); int aChar = (b1 << 6) | b2; charData[charData_index++] = (char)aChar; } else if (type == 3) { // 3 // 提取第一个字节，屏蔽前 4 个 bit int b1 = 0b00001111 & Byte.toUnsignedInt(encodedCharData[0]); // 提取第二个字节，屏蔽前 2 个 bit int b2 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[1]); // 提取第三个字节，屏蔽前 2 个 bit int b3 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[2]); int aChar = (b1 << 12) | (b2 << 6) | b3; charData[charData_index++] = (char)aChar; } else if (type == 4) { // 4 // 提取第一个字节，屏蔽前 3 个 bit int b1 = 0b00000111 & Byte.toUnsignedInt(encodedCharData[0]); // 提取第二个字节，屏蔽前 2 个 bit int b2 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[1]); // 提取第三个字节，屏蔽前 2 个 bit int b3 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[2]); // 提取第四个字节，屏蔽前 2 个 bit int b4 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[3]); int aChar = (b1 << 18) | (b2 << 12) | (b3 << 6) | b4; charData[charData_index++] = (char)aChar; } // 清理工作 // 清除已缓存且已完成解码的字符编码，继续处理下一个字符编码 encodedCharData_index = 0; } result = new String(charData, 0, charData_index); } return result; } /** * 该方法用于确认参数字节 aByte 是否为一个 UTF-8 编码的起始字节， 返回值说明， * -1：字节 aByte 非起始字节， * 1：起始字节，类型为 1，对应字符占 1 个字节空间（实为 ASCII 字符） * 2：起始字节，类型为 2，对应字符占 2 个字节空间 * 3：起始字节，类型为 3，对应字符占 3 个字节空间 * 4：起始字节，类型为 4，对应字符占 4 个字节空间 */ public static int getType(byte aByte) { int type = 0b11110000 & aByte; // ‘0b11110000’ 为十进制数 240 的二进制表示 if (0 <= type && type < 128) { return 1; } else if (128 <= type && type < 192) { return -1; } else if (192 <= type && type < 224) { return 2; } else if (224 <= type && type < 240) { return 3; } else if (240 <= type && type < 248) { return 4; } return -1; }} - 既然上面有了一个简单的解码器，再加一个编码器也不会多余，下面是一个简单的 UTF-8 编码器实现（其中的位运算必须要细心，容易出错）：
import java.io.File;import java.io.FileOutputStream;import java.io.IOException;/** 简单的 UTF-8 编码器（实际应用中，可能必须要注意/处理无效字符 即无效 unicode code-point 的情况） */public class UTF_8_encoder { /** 输出文件 */ private static final String filePath = "C:/Users/jokee/Desktop/data-for-test.txt"; public static void main(String[] args) throws IOException { String text = "\u13A0,\u1B93,\u1D83,\u1F00,\u1F10,\u1910\nwo我爱wo家ya，wo爱北京天安门a，\nhei，今天又下雨了ne"; int[] cs = new int[text.length()]; for(int i = 0;i < text.length();i++) { cs[i] = text.charAt(i); } // do encoding Bytes bytes = doEncoding(cs, cs.length); // write to file FileOutputStream writer = new FileOutputStream(new File(filePath)); writer.write(bytes.bytes, 0, bytes.length); writer.close(); System.out.println("done."); } /** 将字符数组 chars 中的数量为 charsLength 的字符进行编码 */ public static Bytes doEncoding(int[] chars, int charsLength) { Bytes bytes = null; if (chars != null && (charsLength = Math.min(chars.length, charsLength)) > 0) { int aChar = 0; int type = 0; /** 定义一个足够容量的字节缓存区：假设每个字符都是占用 4 个字节 */ bytes = new Bytes(4 * charsLength); for(int i = 0;i < charsLength;i++) { aChar = chars[i]; type = getType(aChar); switch(type) { case 1: bytes.add((byte)aChar); break; case 2: { int code = 0b1100000010000000; code |= (aChar & 0b111111); code |= ((aChar & 0b11111000000) << 2); bytes.add((byte)(code >> 8)); bytes.add((byte)code); } break; case 3: { int code = 0b111000001000000010000000; code |= (aChar & 0b111111); code |= ((aChar & 0b111111000000) << 2); code |= ((aChar & 0b1111000000000000) << 4); bytes.add((byte) (code >> 16)); bytes.add((byte) (code >> 8)); bytes.add((byte) code); } break; case 4: { int code = 0b11100000100000001000000010000000; code |= (aChar & 0b111111); code |= ((aChar & 0b111111000000) << 2); code |= ((aChar & 0b111111000000000000) << 4); code |= ((aChar & 0b111000000000000000000) << 6); bytes.add((byte) (code >> 24)); bytes.add((byte) (code >> 16)); bytes.add((byte) (code >> 8)); bytes.add((byte) code); } break; default: // nothing to do. } } }else { // 返回一个空的字节缓存区 bytes = new Bytes(0); } return bytes; } /** * 返回值表示一个字符 aChar 的编码空间（即 需占用的字节数），返回值如下 4 种： * 1，表示使用 1 个字节编码字符 aChar 对应的数值 * 2，表示使用 2 个字节编码字符 aChar 对应的数值 * 3，表示使用 3 个字节编码字符 aChar 对应的数值 * 4，表示使用 4 个字节编码字符 aChar 对应的数值 * 如果 aChar 是无效的 UTF-8 字符，可选择抛出异常：IllegalArgumentException，或忽略 */ public static int getType(int aChar) { if (!Character.isValidCodePoint(aChar)) { // throw new IllegalArgumentException(aChar + " is invalid code point"); return 0; } if(0 <= aChar && aChar <= 127) { // a char of ascii return 1; }else if(128 <= aChar && aChar <= 2047) { return 2; }else if(2048 <= aChar && aChar <= 65535) { return 3; }else if(65536 <= aChar && aChar <= 2097151) { return 4; }else { // throw new IllegalArgumentException(aChar + " is invalid code point"); return 0; } } /** 组合一个字节缓存区 bytes 及其 长度值 length */ public static class Bytes { private int length; private final int capacity; private byte[] bytes; public Bytes(int capacity) { this.length = 0; this.capacity = capacity; this.bytes = new byte[capacity]; } /** 向该缓存区中添加一个字节 */ public void add(byte aByte) { if (length < capacity) { bytes[length++] = aByte; }else { throw new ArrayIndexOutOfBoundsException("当前缓存区已满，capacity = length is " + capacity); } } public int getLength() { return length; } public byte[] getBytes() { return bytes; } public int getCapacity() { return capacity; } }} 转载地址：http://zjlsi.baihongyu.com/
你可能感兴趣的文章
LeetCode第39题思悟——组合总和（combination-sum）
查看>>
LeetCode第43题思悟——字符串相乘（multiply-strings）
查看>>
LeetCode第44题思悟——通配符匹配（wildcard-matching）
查看>>
LeetCode第45题思悟——跳跃游戏（jump-game-ii）
查看>>
LeetCode第46题思悟——全排列（permutations）
查看>>
LeetCode第47题思悟—— 全排列 II（permutations-ii）
查看>>
LeetCode第48题思悟——旋转图像（rotate-image）
查看>>
驱动力3.0，动力全开~
查看>>
记CSDN访问量10万+
查看>>
Linux下Oracle数据库账户被锁：the account is locked问题的解决
查看>>
极客算法训练营学习笔记（一）
查看>>
记CSDN访问20万+
查看>>
Windows 环境下Webstorm 2020.3 版本在右下角找不到Git分支切换部件的一种解决方法
查看>>
Electron-Vue项目中遇到fs.rm is not a function问题的解决过程
查看>>
飞机换乘次数最少问题的两种解决方案
查看>>
有向无回路图的理解
查看>>
设计模式中英文汇总分类
查看>>
MFC实现五子棋游戏
查看>>
WPF实现蜘蛛纸牌游戏
查看>>
单例模式
查看>>