Java中String,往往是用來申明一個字符串的變量,如果說對于它的一些詳細內容,相信很多小伙伴都沒有細究過。比如什么是String保存字符串的機制?下面,我為大家分享一篇關于Java String保存字符串的機制詳細解析的文章。
String 真的是 Immutable 的嗎
Java 中的 Unicode 字符串會按照 Latin1(所有的字符都小于 0xFF 時)或者 UTF16 的編碼格式保存在 String 中,保存為 byte 數(shù)組:
private final byte[] value;
通常所說的 Immutable 都是指 final bytes 在 String 初始化后就不會修改,所有字符串的相關操作都是不會修改原數(shù)組而是創(chuàng)建新的副本。
但是數(shù)組元素理論上是可以修改的,比如下面通過反射的方式,將字符串常量 abc 修改為 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();
}
}
字符串數(shù)組如何保存為字節(jié)數(shù)組
通過如下代碼測試幾個字符串數(shù)組:
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));
}
結果如下:
internal value
首先解釋下 String 的 value 字段計算方式:
- 所有字符都小于 0xFF 時,采用 Latin1 Character Encoding 來保存 Unicode code point,也就是每個字符都用一個 byte 來保存。比如“ABC”
- 上述條件不滿足時,采用 UTF-16 Character Encoding 來保存,也就是每個字符都用 2 個或者 4 個 byte 來保存。
Unicode 是 Coded Character Set,將幾乎所有的人類文字映射到 code point 符號,通常格式為 U+xxxx,xxxx 為 16 進制整數(shù),表達范圍為 U+0000~U+10FFFF。code point 符號是文字的規(guī)范化標記,但是實際保存時肯定還是要保存為字節(jié)數(shù)組的。這些不同的保存方式就是 Character Encoding,比如 UTF-8,還有 Java String 內部采用的 UTF-16。
UTF-16 是一種將 Unicode code point 表達成字符數(shù)組的編碼方式,對于 U+0000~U+FFFF,直接按照 2 個字節(jié)保存(細分的話還有大端字節(jié)序和小端字節(jié)序的區(qū)別);對于 U+10000~U+10FFFF,會先轉化為一對 U+D800~U+DFFF 范圍內的 code point(surrogate pair),再將這兩個 code point 按照前面的規(guī)則保存。之所以選擇這個范圍,是因為這個 Unicode 區(qū)間還沒有被分配有效的字符,因此可以和前面的規(guī)則區(qū)分。
“中文”這兩個漢字的 Unicode code point 非別為 U+4E2d、U+6587,大于 0xFF,所以保存 byte 長度為 4;"abc中文" 中存在不滿足條件的字符,所以全部用 UTF-16 保存,它們都是 2 個 byte 的,所以長度為 10。
“?” 的 Unicode code point 為 U+1F60A,根據(jù) UTF-16 規(guī)范,U+10000~U+10FFFF 需要轉化為 surrogate pair 之后再保存成 byte, 轉換后為 U+D83D、U+DE0A,因此 "abc" 的字節(jié)長度為 10。
toCharArray()
Java 中 char 的大小為 2 個字節(jié),剛好可以表示一個 U+0000~U+FFFF 的 Unicode 符號。
Latin1 編碼時,char 數(shù)組為 byte 數(shù)組的填充,高字節(jié)為 0;UTF-16 編碼時,相當于轉化過 surrogate pair 后的 Unicode 編碼數(shù)組,其中 0xD800~0xDFFF 范圍內的為 surrogate 字符。
“abc” 時為 Latin1 編碼,所以 char 數(shù)組大小等于 bytes 數(shù)組;“abc中文” 時為 UTF-16 編碼,所以 char 數(shù)組大小等于 bytes 數(shù)組的一半。
codePointCount()
toCharArray 方法將轉化后的 surrogate pair 也算在內,因此實際長度可能大于字符長度。而 codePointCount 就能去除 surrogate pair 的影響,返回初始的字符長度,它會將連續(xù)兩個 surrogate pair 只計數(shù)一次。
String.length
該方法就是 toCharArray 數(shù)組的長度,受到 surrogate pair 的影響,可能大于字符長度。
str.getBytes().length
String 內部是通過 UTF-16 編碼保存的字節(jié)數(shù)組,當通過 getBytes 方法返回時,是需要指定 Encoding 的,默認采用 UTF-8,因此會將 UTF-16 的字節(jié)數(shù)組轉化為 UTF-8 的字節(jié)數(shù)組,每個 Unicode 符號在 UTF-8 編碼后長度為 1~4 字節(jié)。
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
到此這篇關于Java String保存字符串的機制的文章就介紹到這了,更多相關Java String的內容,請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關文章,希望大家以后多多支持!