Java中String使用及分析（UTF-8简单编码/解码器实现）

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 str2System.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 str1System.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：

#include <stdio.h>
void 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.c
use-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          // c
A, 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UTF-8 and Unicode
下面是对UTF-8编码-规范文档的解读（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* <br> bytes ： 待解码字节缓冲区* <br> 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 bitint b1 = 0b00011111 & Byte.toUnsignedInt(encodedCharData[0]);// 提取第二个字节，屏蔽前 2 个 bitint 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 bitint b1 = 0b00001111 & Byte.toUnsignedInt(encodedCharData[0]);// 提取第二个字节，屏蔽前 2 个 bitint b2 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[1]);// 提取第三个字节，屏蔽前 2 个 bitint 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 bitint b1 = 0b00000111 & Byte.toUnsignedInt(encodedCharData[0]);// 提取第二个字节，屏蔽前 2 个 bitint b2 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[1]);// 提取第三个字节，屏蔽前 2 个 bitint b3 = 0b00111111 & Byte.toUnsignedInt(encodedCharData[2]);// 提取第四个字节，屏蔽前 2 个 bitint 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， <br>* -1：字节 aByte 非起始字节， <br>* 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） <br>* 2：起始字节，类型为 2，对应字符占 2 个字节空间 <br>* 3：起始字节，类型为 3，对应字符占 3 个字节空间 <br>* 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 encodingBytes bytes = doEncoding(cs, cs.length);// write to fileFileOutputStream 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：* <br> 1，表示使用 1 个字节编码字符 aChar 对应的数值* <br> 2，表示使用 2 个字节编码字符 aChar 对应的数值* <br> 3，表示使用 3 个字节编码字符 aChar 对应的数值* <br> 4，表示使用 4 个字节编码字符 aChar 对应的数值* <b4> 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 asciireturn 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;}}
}