长期以来,Java 的 String 类一直使用 char 数组来存储字符数据。然而,最近我注意到在 Java 9 及更高版本中,String 类的内部实现已经改为使用 byte 数组。具体源码如下:
/**
* 用于字符存储的值。
*
* @implNote 该字段被虚拟机信任,并且如果是常量字符串实例,则会被常量折叠。构造后覆盖此字段将导致问题。
*
* 此外,它被标记为 {@link Stable} 以信任数组的内容。JDK 中目前没有其他功能提供此功能。
* {@link Stable} 在这里是安全的,因为 value 从不为 null。
*/
@Stable
private final byte[] value;
这显然使用的是 byte 数组,而不是 char 数组。那么,为什么会进行这样的改动呢?
主要原因是节省内存空间。在 JDK 9 之前的版本中,String 类的实现使用 char 数组来存储字符串,每个 char 占用 16 位(即 2 字节)。例如,存储字符 'A' 时,会占用 0x00 0x41,其中前一个字节是空闲的。这意味着对于 ISO-8859-1 编码范围内的字符,会有大量的内存浪费。而对于 ISO-8859-1 编码范围外的字符(如中文),则不会有浪费。
而在 JDK 9 及更高版本中,String 类的实现改为使用 byte 数组来存储字符串,每个 byte 占用 8 位(即 1 字节)。这样可以显著减少内存占用,特别是对于包含大量 ASCII 字符的字符串。
那么,当遇到 ISO-8859-1 编码范围外的字符(如中文)时,Java 是如何处理的呢?
Java 9 引入了一个新的属性 `coder`,用于表示字符串的编码格式:
private final byte coder;
static final boolean COMPACT_STRINGS;
static {
COMPACT_STRINGS = true;
}
byte coder() {
return COMPACT_STRINGS ? coder : UTF16;
}
{@Native static final byte LATIN1 = 0;}
{@Native static final byte UTF16 = 1;}
`coder` 属性用于标识字符串的编码格式,默认有两个值:0 表示 Latin-1(单字节编码),1 表示 UTF-16 编码。如果字符串只包含 Latin-1 字符,`coder` 属性值为 0;否则为 1。
在计算字符串长度或调用 `indexOf()` 等方法时,会根据 `coder` 属性来决定如何处理字符串。例如,如果 `coder` 为 0,表示字符串使用 Latin-1 编码,每个字符占用 1 字节;如果 `coder` 为 1,表示字符串使用 UTF-16 编码,每个字符占用 2 字节。
Java 9 默认启用紧凑字符串(COMPACT_STRINGS),但可以通过设置 VM 参数 `-XX:-CompactStrings` 来禁用这一特性。