作者：入骨红豆撕不撕 | 来源：互联网 | 2024-11-02 16:17
本文详细探讨了Java中Unicode编码的二进制转换方法及其具体实现。通过分析\u开头的字符串，解释了每组\uxxxx如何对应一个特定的Unicode字符，并提供了相关代码示例以加深理解。希望读者在实际开发中能有效应用这些知识。
内容为集体学习心得，不能对准确性做过多保障，谬误之处还望指导。
有时候咱们会遇到一些\u结尾的字符串，咱们晓得这些是Unicode码，一组\uxxxx字符串对应了一个Unicode字符。那这些编码字符的理论二进制存储格局是怎么呢？
咱们晓得Unicode编码能够出现世界上大部分的文字内容，而在其最通用的一种编码方式UTF-8
)下,单字符的存储长度为1-4字节（可变），这种设计的由来和长处就不多讲了，这里次要说说看到的\u编码串和二进制的换算形式。
在UTF-8编码格局的java代码下，对“测试”两个字打印其字节和字符后果如下：
System.out.println(Charset.defaultCharset());
String s = "测试";
System.out.println(s.chars().mapToObj(Integer::toHexString).collect(Collectors.joining("\t")));
byte[] bs = s.getBytes();
Sys来源gaodai.ma#com搞##代!^码网
tem.out.println(Arrays.toString(bs));
/*Result:
UTF-8
6d4b 8bd5
[-26, -75, -117, -24, -81, -107] */
察看后果可知，“测试”两个字在UTF-8编码下占六个字节，将 【-26, -75, -117, -24, -81, -107】 6个数字转为二进制补码格局，即失去“测试”两字的二进制存储内容，为：
11100110 10110101 10001011 11101000 10101111 10010101
而通过char.ToHexString失去的 6d4b 8bd5 是这两个字的Unicode编码
这两者是怎么关联上的呢?
通过UTF-8的百科页面有如下介绍：
UTF-8编码字节含意
- 对于UTF-8编码中的任意字节B，如果B的第一位为0，则B独立的示意一个字符(ASCII码)；
- 如果B的第一位为1，第二位为0，则B为一个多字节字符中的一个字节(非ASCII字符)；
- 如果B的前两位为1，第三位为0，则B为两个字节示意的字符中的第一个字节；
- 如果B的前三位为1，第四位为0，则B为三个字节示意的字符中的第一个字节；
- 如果B的前四位为1，第五位为0，则B为四个字节示意的字符中的第一个字节；
因而，对于下面失去的二进制串，每8位中的后面局部都是用来做标记的，1110结尾表明须要3个字节来形容以后字符，并且以后字节为3字节中的第一局部，前面的字节应用10结尾表明本人是以后字符编码串的前面局部。
把前三字节这些标记为去掉再合并，失去 0110 110101 001011，而“测”字的16进制Unicode编码转为二进制，正是0110 1101 0100 1011。
这样做的长处很显著，扩大不便（看起来能反对到8字节编码呢），编码构造去掉了二进制的标记位，减小体积更易于数据传输。1字节的UTF-8码还残缺兼容了ASCII码，所以UTF-8能够说应该是大部分场景下的最优抉择了。
京公网安备 11010802041100号