Java 字符是 Unicode

Java 语言设计之初就确立了“一切皆 Unicode”的原则，这意味着：

1. char 类型本质是 Unicode：Java 的 char 类型是一个无符号的 16 位整数，它专门用来表示一个 Unicode 字符。
2. 固定大小：由于 char 是 16 位，它可以直接表示 Unicode 字符集中的基本多文种平面 中的字符，BMP 包含了世界上绝大多数语言的常用字符，大约有 65536 个（从 U+0000 到 U+FFFF）。
3. 超出 BMP 的字符：对于 BMP 之外的字符（如某些生僻汉字、emoji 表情符号等），它们需要用代理对 来表示，这是一个 32 位的字符，由两个 16 位的 char 组成。

char 类型和 Unicode 字面量

在 Java 中，你可以通过以下几种方式来表示一个 char 类型的 Unicode 字符：

a) 直接使用字符

char a = 'A';
char zh = '中';

b) 使用 Unicode 转义序列

这是最直接的方式,格式为 \u 后面跟 4 个十六进制数字。

// \u0041 是 'A' 的 Unicode 码点
char a = '\u0041'; 
// \u4e2d 是 '中' 的 Unicode 码点
char zh = '\u4e2d'; 
System.out.println(a); // 输出 A
System.out.println(zh); // 输出 中

c) 使用十进制码点

虽然 char 本质是 16 位整数，但你不能直接给它赋一个超出 char 范围（0-65535）的十进制值，对于基本字符，可以这样：

// 'A' 的十进制码点是 65
char a = 65; 
System.out.println(a); // 输出 A

处理超出 BMP 的字符（代理对）

Unicode 字符数量已经远远超过了 65536 个，这些字符位于辅助平面，它们的码点范围是 U+10000 到 U+10FFFF。

Java 的 char 无法直接存储这么大的码点，Java 使用了 UTF-16 编码方案，将这些 32 位的字符表示为两个 16 位的 char，这就是代理对。

• 高位代理：范围是 \uD800 到 \uDBFF。
• 低位代理：范围是 \uDC00 到 \uDFFF。

一个完整的代理对由一个高位代理和一个低位代理组成。

示例：Emoji 表情符号 😊

的 Unicode 码点是 U+1F60A。

1. 计算代理对：

   
   （图片来源网络，侵删）
   • 码点 0x1F60A 减去 0x10000 得到 0xF60A。
   • 将 0xF60A 转换为 20 位的二进制：0000 1111 0110 0000 1010。
   • 前 10 位是高位代理值：0000111101 (十进制 637, 十六进制 0x276D)，加上高位代理的偏移量 0xD800，得到高位代理字符：\uD83D。
   • 后 10 位是低位代理值：100001010 (十进制 274, 十六进制 0x0D0A)，加上低位代理的偏移量 0xDC00，得到低位代理字符：\uDE0A。
   • 在 Java 中由 char '\uD83D' 和 char '\uDE0A' 组成。

2. 在代码中处理：

直接写 char c = '😊'; 是可以的，Java 编译器会自动将其解析为代理对。

// 直接使用 emoji 字面量，编译器会处理成代理对
char emoji = '😊'; 
// 验证它由两个 char 组成
System.out.println("字符数量: " + Character.charCount(emoji)); // 输出 2
System.out.println("第一个 char (高位代理): " + (int)Character.highSurrogate(emoji)); // 输出 55357 (0xD83D)
System.out.println("第二个 char (低位代理): " + (int)Character.lowSurrogate(emoji));   // 输出 56842 (0xDE0A)
// 错误示范：不能单独操作代理对中的一个 char
// char wrong = '\uD83D'; // 这是一个无效的孤立代理

Character 类：字符操作的核心工具类

java.lang.Character 类提供了大量静态方法来操作 char 类型，特别是处理代理对和 Unicode 属性。

重要方法：

1. charCount(int codePoint) 判断给定的 Unicode 码点是一个 char 还是一个代理对。

   • 返回 1：表示码点在 BMP 内。
   • 返回 2：表示码点在辅助平面内，需要代理对。

   System.out.println("'A' 的 charCount: " + Character.charCount('A')); // 1
   System.out.println("'😊' 的 charCount: " + Character.charCount(0x1F60A)); // 2

2. toChars(int codePoint) 将一个 Unicode 码点转换为一个 char 数组，如果码点在 BMP 内，数组长度为 1；如果在辅助平面内，数组长度为 2。

   char[] charsA = Character.toChars('A'); // charsA = ['A']
   char[] charsEmoji = Character.toChars(0x1F60A); // charsEmoji = ['\uD83D', '\uDE0A']

3. codePointAt(char[] a, int index) 从一个 char 数组中读取一个 Unicode 码点，它会自动处理代理对。

   char[] emojiArray = {'\uD83D', '\uDE0A'};
   int codePoint = Character.codePointAt(emojiArray, 0);
   System.out.println("从数组中解析出的码点: " + codePoint); // 输出 128522 (0x1F60A)
   System.out.println("对应的字符: " + new String(emojiArray, 0, Character.charCount(codePoint))); // 输出 😊

4. isDigit(char c), isLetter(char c) 等 判断字符的 Unicode 属性。

   System.out.println("'a' 是字母吗? " + Character.isLetter('a')); // true
   System.out.println("'1' 是数字吗? " + Character.isDigit('1')); // true

String 与 Unicode 的关系

String 在 Java 中是不可变的字符序列，它内部使用 char 数组来存储字符。

• 对于 BMP 字符：String 中的一个 char 对应一个字符。
• 对于辅助平面字符：String 中的两个 char 组成一个字符。

String 的 length() 方法返回的是 char 数组的长度，而不是 Unicode 字符的数量。

String s1 = "Hello";
String s2 = "A😊B";
System.out.println("s1 的长度: " + s1.length()); // 5
System.out.println("s2 的长度: " + s2.length()); // 4 (A, 😊(2个char), B)
// 要获取真正的 Unicode 字符数量
int codePointCount = s2.codePointCount(0, s2.length());
System.out.println("s2 的 Unicode 字符数量: " + codePointCount); // 3

I/O 与编码

虽然 Java 内部使用 UTF-16，但在进行文件读写或网络传输时，数据需要被序列化为字节流，这时就需要指定字符编码。

• InputStreamReader / OutputStreamWriter：用于在字节流和字符流之间进行转换，需要指定编码（如 "UTF-8", "GBK"）。
• String.getBytes(String charsetName)：将 String 编码为指定格式的字节数组。
• new String(byte[] bytes, String charsetName)：用指定编码的字节数组创建 String。

最佳实践：除非有特殊兼容性要求，否则始终使用 UTF-8 作为编码标准，因为它能表示所有 Unicode 字符，且是互联网事实上的标准。

String text = "你好，世界！😊";
// 使用 UTF-8 编码为字节数组
byte[] utf8Bytes = text.getBytes(StandardCharsets.UTF_8);
// 使用 GBK 编码（可能丢失 emoji）
byte[] gbkBytes = text.getBytes("GBK"); // 注意：GBK 不支持 emoji
// 从字节数组解码回 String
String fromUtf8 = new String(utf8Bytes, StandardCharsets.UTF_8);
String fromGbk = new String(gbkBytes, "GBK");
System.out.println("UTF-8 解码后: " + fromUtf8); // 你好，世界！😊
System.out.println("GBK 解码后: " + fromGbk);   // 你好，世界？� (emoji 丢失或变成乱码)

理解这些概念对于正确处理国际化文本、特殊符号和不同语言的编程至关重要。