你說(shuō)，一個(gè)Java字符串到底有多少個(gè)字符?

依照J(rèn)ava的文檔， Java中的字符內(nèi)部是以UTF-16編碼方式表示的，最小值是?\u0000?(0),最大值是\uffff(65535)， 也就是一個(gè)字符以2個(gè)字節(jié)來(lái)表示，難道Java最多只能表示 65535個(gè)字符？

char: The char data type is a single 16-bit Unicode character. It has a minimum value of '\u0000' (or 0) and a maximum value of '\uffff' (or 65,535 inclusive).

from?The Java? Tutorials

首先，讓我們先看個(gè)例子：

public?class?Main?{
????public?static?void?main(String[]?args)?{
????????//?中文常見(jiàn)字
????????String?s?=?"你好";
????????System.out.println("1.?string?length?="?+?s.length());
????????System.out.println("1.?string?bytes?length?="?+?s.getBytes().length);
????????System.out.println("1.?string?char?length?="?+?s.toCharArray().length);
????????System.out.println();
????????//?emojis
????????s?=?"??";
????????System.out.println("2.?string?length?="?+?s.length());
????????System.out.println("2.?string?bytes?length?="?+?s.getBytes().length);
????????System.out.println("2.?string?char?length?="?+?s.toCharArray().length);
????????System.out.println();
????????//?中文生僻字
????????s?=?"?妹";
????????System.out.println("3.?string?length?="?+?s.length());
????????System.out.println("3.?string?bytes?length?="?+?s.getBytes().length);
????????System.out.println("3.?string?char?length?="?+?s.toCharArray().length);
????????System.out.println();
????}
}

運(yùn)行這個(gè)程序，你覺(jué)得輸出結(jié)果是什么？

輸出結(jié)果:

1.?string?length?=2
1.?string?bytes?length?=6
1.?string?char?length?=2
2.?string?length?=4
2.?string?bytes?length?=8
2.?string?char?length?=4
3.?string?length?=3
3.?string?bytes?length?=7
3.?string?char?length?=3

我們知道，?String.getBytes()如果不指定編碼格式，Java會(huì)使用操作系統(tǒng)的編碼格式得到字節(jié)數(shù)組，在我的MacOS中，默認(rèn)使用UTF-8作為字符編碼(locale命令可以查看操作系統(tǒng)的編碼)，所以在我的機(jī)器運(yùn)行，String.getBytes()會(huì)返回UTF-8編碼的字節(jié)數(shù)組。

String.length返回Unicode code units的長(zhǎng)度。

String.toCharArray返回字符數(shù)組。

我們?cè)O(shè)置的字符串都是兩個(gè)unicode字符，輸出結(jié)果：

• 普通的中文字：字符串的長(zhǎng)度是2，每個(gè)中文字按UTF-8編碼是三個(gè)字節(jié)，字符數(shù)組的長(zhǎng)度看起來(lái)也沒(méi)問(wèn)題
• emojis字符：我們?cè)O(shè)置了兩個(gè)emojis字符，男女頭像。結(jié)果字符串的長(zhǎng)度是4,?UTF-8編碼8個(gè)字節(jié)，字符數(shù)組的長(zhǎng)度是4
• 生僻的中文字：我們?cè)O(shè)置了兩個(gè)中文字，其中一個(gè)是生僻的中文字。結(jié)果字符串的長(zhǎng)度是3，?UTF-8編碼7個(gè)字節(jié)，字符數(shù)組的長(zhǎng)度是3

看起來(lái)字符串的字符數(shù)和我們預(yù)期的有點(diǎn)不一樣，我們的字符串只有兩個(gè)unicode字符, 可是輸出結(jié)果有時(shí)候是2，有時(shí)候是3， 有時(shí)候是4，為什么呢？這還得從Java的歷史說(shuō)起。

Java最初設(shè)計(jì)的Charactor用兩個(gè)字節(jié)來(lái)表示unicode字符，這沒(méi)有問(wèn)題， 因?yàn)樽畛鮱nicode中的字符還比較少， Java 1.1之前采用Unicode version 1.1.5, JDK 1.1中支持Unicode 2.0, JDK 1.1.7支持Unicode 2.1, Java SE 1.4 支持?Unicode 3.0, Java SE 5.0開(kāi)始支持Unicode 4.0。

直到Unicode 3.0, Java用兩個(gè)字節(jié)來(lái)表示unicode字符還沒(méi)有問(wèn)題，因?yàn)?code style="font-size: 14px;padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;color: rgb(30, 107, 184);background-color: rgba(27, 31, 35, 0.05);font-family: 'Operator Mono', Consolas, Monaco, Menlo, monospace;word-break: break-all;">Unicode 3.0最多49,259個(gè)字符， 兩個(gè)字節(jié)可以表示65,535個(gè)字符，還足夠容的下所有的uicode3.0字符。

但是Unicode 4.0(事實(shí)上自Unicode 3.1), 字符集進(jìn)行很大的擴(kuò)充，已經(jīng)達(dá)到了96,447個(gè)字符，Unicode 11.0已經(jīng)包含137,374個(gè)字符。

在Unicode中，為每一個(gè)字符對(duì)應(yīng)一個(gè)編碼點(diǎn)(一個(gè)整數(shù))，用 U+緊跟著十六進(jìn)制數(shù)表示。所有字符按照使用上的頻繁度劃分為 17 個(gè)平面（編號(hào)為 0-16），即基本的多語(yǔ)言平面和增補(bǔ)平面。基本的多語(yǔ)言平面（英文為 Basic Multilingual Plane，簡(jiǎn)稱 BMP）又稱平面 0，收集了使用最廣泛的字符。

這樣一來(lái)，Java的Charactor的兩個(gè)字節(jié)的設(shè)計(jì)，已經(jīng)不足以容納所有的Unicode 4的字符， 所以可能需要4個(gè)字節(jié)才能表示擴(kuò)展字符，所以現(xiàn)在的Charactor代表的已經(jīng)不再是一個(gè)字符?(代碼點(diǎn) code point), 而是一個(gè)代碼單元(code unit)。

• Code Point: 代碼點(diǎn)，一個(gè)字符的數(shù)字表示。一個(gè)字符集一般可以用一張或多張由多個(gè)行和多個(gè)列所構(gòu)成的二維表來(lái)表示。二維表中行與列交叉的點(diǎn)稱之為代碼點(diǎn)，每個(gè)碼點(diǎn)分配一個(gè)唯一的編號(hào)數(shù)字，稱之為碼點(diǎn)值或碼點(diǎn)編號(hào)，除開(kāi)某些特殊區(qū)域(比如代理區(qū)、專用區(qū))的非字符代碼點(diǎn)和保留代碼點(diǎn)，每個(gè)代碼點(diǎn)唯一對(duì)應(yīng)于一個(gè)字符。從U+0000?到?U+10FFFF。

• Code Unit：代碼單元，是指一個(gè)已編碼的文本中具有最短的比特組合的單元。對(duì)于 UTF-8 來(lái)說(shuō)，代碼單元是 8 比特長(zhǎng)；對(duì)于 UTF-16 來(lái)說(shuō)，代碼單元是 16 比特長(zhǎng)。換一種說(shuō)法就是 UTF-8 的是以一個(gè)字節(jié)為最小單位的，UTF-16 是以兩個(gè)字節(jié)為最小單位的。

Java的字符在內(nèi)部以UTF-16編碼方式來(lái)表示，String.length返回的是Code Unit的長(zhǎng)度，而不再是Unicode中字符的長(zhǎng)度。對(duì)于傳統(tǒng)的BMP平面的代碼點(diǎn)，String.length和我們傳統(tǒng)理解的字符的數(shù)量是一致的，對(duì)于擴(kuò)展的字符，String.length可能是我們理解的字符長(zhǎng)度的兩倍。

有可能你會(huì)問(wèn)， 對(duì)于一個(gè)UTF-16編碼的擴(kuò)展字符，它以4個(gè)字節(jié)來(lái)表示，那么前兩個(gè)字節(jié)會(huì)不會(huì)和BMP平面沖突，導(dǎo)致程序不知道它是擴(kuò)展字符還是BMP平面的字符？

其實(shí)是不會(huì)的， 幸運(yùn)的是， 在BMP平面中，?U+D800到U+DFFF之間的碼位是永久保留不映射到Unicode字符，UTF-16就利用保留下來(lái)的0xD800-0xDFFF區(qū)塊的碼位來(lái)對(duì)輔助平面的字符的碼位進(jìn)行編碼。

UTF-16編碼中，輔助平面中的碼位從U+10000到U+10FFFF，共計(jì)FFFFF個(gè),需要20位來(lái)表示。第一個(gè)整數(shù)（兩個(gè)字節(jié)，稱為前導(dǎo)代理）要容納上述20位的前10位，第二個(gè)整數(shù)（稱為后尾代理）容納上述20位的后10位。前導(dǎo)代理的值的范圍是0xD800到0xDBFF,后尾代理的0xDC00~0xDFFF。可以看到前導(dǎo)代理和后尾代理的范圍都落在了BMP平面中不用來(lái)映射的碼位，所以不會(huì)產(chǎn)生沖突，而且前導(dǎo)代理和后尾代理也沒(méi)有重合。這樣我們得到兩個(gè)字節(jié)的，就可以直接判斷它是否是BMP平面的字符，還是擴(kuò)展字符中的前導(dǎo)代理還是后尾代碼。

國(guó)外的有些用戶用emojis字符做自己的昵稱，導(dǎo)致有些系統(tǒng)不能正確的顯示出來(lái)，這是因?yàn)檫@些系統(tǒng)粗暴的使用Charactor來(lái)表示，在顯示的時(shí)候截?cái)嗟臅r(shí)候有時(shí)候可能不是在正確的代碼點(diǎn)上進(jìn)行截?cái)唷?/p>

我們?cè)谶M(jìn)行字符串截取的時(shí)候,比如String.substring有可能會(huì)踩到一些坑，尤其經(jīng)常使用的emojis字符。

自 Java 1.5 java.lang.String就提供了Code Point方法， 用來(lái)獲取完整的Unicode字符和Unicode字符數(shù)量:

• public int codePointAt(int index)
• public int codePointBefore(int index)
• public int codePointCount(int beginIndex, int endIndex)

注意這些方法中的index使用的是code unit值。