Java String保存字符串的机制

String 真的是 Immutable 的吗

Java 中的 Unicode 字符串会按照 Latin1（所有的字符都小于 0xFF 时）或者 UTF16 的编码格式保存在 String 中，保存为 byte 数组：

private final byte[] value;

通常所说的 Immutable 都是指 final bytes 在 String 初始化后就不会修改，所有字符串的相关操作都是不会修改原数组而是创建新的副本。

但是数组元素理论上是可以修改的，比如下面通过反射的方式，将字符串常量 abc 修改为 Abc：

    public static void main(String[] args) {
     setFirstValueToA("abc");
        String replaced = new String("abc");
        System.out.println(replaced); // Abc
    }
    
    private static void setFirstValueToA(String str) {
        Class<String> stringClass = String.class;
        try {
            Field value = stringClass.getDeclaredField("value");
            value.setAccessible(true);
            byte[] bytes = (byte[]) value.get(str);
            bytes[0] = 0x41; // A
 
        } catch (NoSuchFieldException | IllegalAccessException e) {
            e.printStackTrace();
        }
    }

字符串数组如何保存为字节数组

通过如下代码测试几个字符串数组：

    public static void main(String[] args) {
        printString("abc");
        printString("中文");
        printString("abc中文");
        printString("abc");
    }
    private static void printString(String str) {
        System.out.println("======>" + str);
        // return the UTF-16 char[] size
        System.out.println("length: " + str.length());
        // Use default Encoding (UTF-8)
        System.out.println("getBytes: " + str.getBytes().length);
        // Convert UTF-16 char[] to char
        System.out.println("codePointCount: " + str.codePointCount(0, str.length()));
        // Get the UTF-16 char[]
        System.out.println("toCharArray: " + str.toCharArray().length);
        // The UTF-16 char[] to bytes
        System.out.println("internal value: " + getStringInternalValueLength(str));
    }

结果如下：

internal value

首先解释下 String 的 value 字段计算方式：

• 所有字符都小于 0xFF 时，采用 Latin1 Character Encoding 来保存 Unicode code point，也就是每个字符都用一个 byte 来保存。比如“ABC”
• 上述条件不满足时，采用 UTF-16 Character Encoding 来保存，也就是每个字符都用 2 个或者 4 个 byte 来保存。

Unicode 是 Coded Character Set，将几乎所有的人类文字映射到 code point 符号，通常格式为 U+xxxx，xxxx 为 16 进制整数，表达范围为 U+0000～U+10FFFF。code point 符号是文字的规范化标记，但是实际保存时肯定还是要保存为字节数组的。这些不同的保存方式就是 Character Encoding，比如 UTF-8，还有 Java String 内部采用的 UTF-16。

UTF-16 是一种将 Unicode code point 表达成字符数组的编码方式，对于 U+0000～U+FFFF，直接按照 2 个字节保存（细分的话还有大端字节序和小端字节序的区别）；对于 U+10000～U+10FFFF，会先转化为一对 U+D800～U+DFFF 范围内的 code point（surrogate pair），再将这两个 code point 按照前面的规则保存。之所以选择这个范围，是因为这个 Unicode 区间还没有被分配有效的字符，因此可以和前面的规则区分。

“中文”这两个汉字的 Unicode code point 非别为 U+4E2d、U+6587，大于 0xFF，所以保存 byte 长度为 4；"abc中文" 中存在不满足条件的字符，所以全部用 UTF-16 保存，它们都是 2 个 byte 的，所以长度为 10。

“☺” 的 Unicode code point 为 U+1F60A，根据 UTF-16 规范，U+10000～U+10FFFF 需要转化为 surrogate pair 之后再保存成 byte， 转换后为 U+D83D、U+DE0A，因此 "abc" 的字节长度为 10。

toCharArray()

Java 中 char 的大小为 2 个字节，刚好可以表示一个 U+0000～U+FFFF 的 Unicode 符号。

Latin1 编码时，char 数组为 byte 数组的填充，高字节为 0；UTF-16 编码时，相当于转化过 surrogate pair 后的 Unicode 编码数组，其中 0xD800～0xDFFF 范围内的为 surrogate 字符。

“abc” 时为 Latin1 编码，所以 char 数组大小等于 bytes 数组；“abc中文” 时为 UTF-16 编码，所以 char 数组大小等于 bytes 数组的一半。

codePointCount()

toCharArray 方法将转化后的 surrogate pair 也算在内，因此实际长度可能大于字符长度。而 codePointCount 就能去除 surrogate pair 的影响，返回初始的字符长度，它会将连续两个 surrogate pair 只计数一次。

String.length

该方法就是 toCharArray 数组的长度，受到 surrogate pair 的影响，可能大于字符长度。

str.getBytes().length

String 内部是通过 UTF-16 编码保存的字节数组，当通过 getBytes 方法返回时，是需要指定 Encoding 的，默认采用 UTF-8，因此会将 UTF-16 的字节数组转化为 UTF-8 的字节数组，每个 Unicode 符号在 UTF-8 编码后长度为 1～4 字节。

        System.out.println("abc".getBytes(UTF_8).length); // 3
        System.out.println("中".getBytes(UTF_8).length); // 3
        System.out.println("文".getBytes(UTF_8).length); // 3
        System.out.println("".getBytes(UTF_8).length); // 4

最后

到此这篇关于Java String保存字符串的机制的文章就介绍到这了,更多相关Java String保存字符串内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论