char 码点和代码单元

在Java Core 卷1中 对Char的描述如下

在设计Java时决定采用16位的Unicode字符集....(中间省略)... 现在16位的Char类型已经不能满足描述所有Unicode字符的需要了。

Java为了解决这个问题的方法是使用码点和代码单元

代码点(Code Point):在 Unicode 代码空间中的一个值,取值 0x0 至 0x10FFFF,代表一个字符。

代码单元(Code Unit):在具体编码形式中的最小单位。比如 UTF-16 中一个 code unit 为 16 bits,UTF-8 中一个 code unit 为 8 bits。一个 code point 可能由一个或多个 code unit(s) 表示。在 U+10000 之前的 code point 可以由一个 UTF-16 code unit 表示,U+10000 及之后的 code point 要由两个 UTF-16 code units 表示

——引用自@柳东原

在Java中,char类型描述了UTF-16编码中的一个代码单元


额,粗略的看了几份资料后,我的大概理解是这样的

码点就是某个任意字符在Unicode编码表中对应的代码值

代码单元是在计算机中用来表示码点的,大部分码点只需要一个代码单元表示,但是有一些是需要两个代码单元表示的。


不同码点对应的代码单元数量可能不同


下面实际操作体验一番

"𝕆" 这个数学符号码点 为U+1D546 在  Java中的代码单元为  U+D835 和U+DD46

String word = "\uD835\uDD46";

System.out.println("字符为:"+word + " String.length(): "+ word.length());

打印结果如下(String.length()返回的是字符串代码单元的长度)。

字符为:𝕆 String.length(): 2

而且char类型无法放下这个符号

//char c = '𝕆';

String word2 = "𝕆";

String firstUnit = Integer.toHexString(word.charAt(0));

String secondUnit = Integer.toHexString(word.charAt(1));

String codePoint = Integer.toHexString(word2.codePointAt(0));

System.out.println("第一个单元:" + firstUnit + " 第二个:" + secondUnit + " 码点:" +codePoint);

打印结果  

第一个单元:d835 第二个:dd46 码点:1d546

推荐阅读更多精彩内容