浅析String字节和字符的变化

这是我参与更文挑战的第6天，活动详情查看： 更文挑战

最近在做文件解析的时候总是看到FILE，BUFFER，STREAM，就很苦恼，为此我就想从他们的编码格式来看看他们是如何解析文件的；

字节、字符，哎！！！为了引起大家兴趣；我先抛出一个JDK优化的问题（问题一抛可能就没篇幅写文件流了，哎），可能有人注意到，有人没有注意到；

那就是String大哥，在jdk1.8的时候看下String的源码，它是以char数组来存储数据的；

private final char value[];
复制代码

在jdk11的时候，他是以byte来存储数据的（JDK9开始）

@Stable   //@Stable表示该数组不会为null,final表示字符串一旦被初始化后是不会被改变的。
private final byte[] value;
复制代码

为什么String要做这个改动呢？

我们先来了解一下char（字符）和byte（字节）

一个字符=2个字节，，一字节占8位，所以一个char占16位=16bit；

好，这是我们的固有认知，我们看下jdk8对String字符的描述：

String表示 UTF-16 格式的字符串，其中增补字符由代理对表示（有关更多信息，请参阅Character类中的Unicode 字符表示部分）。 索引值指的是char代码单元，因此增补字符使用String两个位置。 除了用于处理 Unicode 代码单元（即char值）的方法之外， String类还提供了用于处理 Unicode 代码点（即字符）的方法

官方这里把char称为代码单元code unit，既然String是_UTF-16 格式的字符串，_那么我们看下他存储的数据在_UTF-16 格式_下占几个字节

String name="name";
复制代码

不少人估计都会认为，哎呀，那不得八位吗，一个字符占两个字节嘛，打出来我就傻眼了；它占了十个字节，多了两个，难道C语言来了加了个\n?，哈哈，我搜了很久，原因是UTF-16文件的头2个字节里做个标记LE [0xFF, 0xFE], BE [0xFE, 0xFF]，如果你用UTF_16BE或UTF_16LE那么打出来的字节数会是8；有点跑题哈~~~

我们再来看下jdk9用byte来处理的官方解释，支持两种编码_LATIN1（ISO-8859-1）和UTF-16，_虚拟机会根据相应的内容来选择使用哪种编码，Latin-1是用单个字节来表示字符的，比utf-16的两个字节少了一半空间。 当然怎么选择哪种编码呢？所以String类中多了一个编码标志位coder，用来表示使用的是utf-16编码，还是Latin-1编码

private final byte coder;
复制代码

ISO-8859-1收录的字符除ASCII收录的字符外，还包括西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号，注意，这里不包括中文等字符，所以必须保留UTF-16来适应不同字符；

我们日常开发的时候String保留的很多都是单字节的，不会说无缘无故定义一个中文的。一般都是字母或者数字，这样只需_LATIN1_单字节即可了，没必要用char浪费，但对于少量的中文赋值就只能用char来存储了；

在写这篇文章的时候发现一个小插曲，java设计者本来想用UTF-16前身UCS-2来表示unicode（统一码、万国码、单一码）中的所有字符，但是后来Unicode太大了，两个字节也就不够用了，所以char的定义也就变了，不再是字符了，而是代码单元，最早一批收录的字符后来被叫作Basic Multilingual Plane(BMP)，然后编码表使用utf-16；，所以单个char只能描述unicode中的BMP范围的码位，BMP外的字符char无法表示；所以现在的UTF-16是不定长的

既然char占两个字节，定长的，那么如何表示四个字节的字符呢，比如表情emoji 情等，那就是用两个char（注意得用String接收呦），**点明前面的说char是代码单元，**目前四个字节在现在可以表示所有！所以java中不能用char表示BMP外内容哦；虽然大部分情况我们不会考虑这些；

突然我上面好像也没跑题呦~~~

所以为什么改为byte知道了吧，主要就是优化内存空间，优化靠什么，单字符的_LATIN1_，又保证不影响原来的使用，所以保留UTF-16；在我们调用length()方法时依然计算的是char(代码单元），

***千万不要混淆哦，只是编码方式变了，而编码才决定占用字节多少，该怎么读长度还是怎么读长度***

name      使用iso-8859-1，四个字节，所以是4
我们      使用UTF-16 BMP范围内，四个字节，两个char 所以是2
name我们  使用UTF-16 12个字节，这里注意，因为是UTF-16编码，所以name里每个字符依然占两个字节，和汉字一样，
6个char，所以长度是6
复制代码