本文首发于程序员乔戈里
public class testT {
public static void main(String [] args){
String A = "hi你是乔戈里";
System.out.println(A.length());
}
}
以上结果输出为7。
小萌边说边在IDEA中的win环境下选中String.length()函数，使用ctrl B快捷键进入到String.length()的定义。
/**
* Returns the length of this string.
* The length is equal to the number of <a href="Character.html#Unicode">Unicode
* code units</a> in the string.
*
* @return the length of the sequence of characters represented by this
* object.
*/
public int length() {
return value.length;
}
接着使用google翻译对这段英文进行了翻译，得到了大体意思：返回字符串的长度，这一长度等于字符串中的 Unicode 代码单元的数目。
小萌：乔戈里，那这又是啥意思呢？乔哥：前几天我写的一篇文章：[https://mp.weixin.qq.com/s/Zn-BnMd2tohHPpvMhLFYxw](https://mp.weixin.qq.com/s/Zn-BnMd2tohHPpvMhLFYxw)里面对于Java的字符使用的编码有介绍：
Java中 有内码和外码这一区分简单来说
- 内码：char或String在内存里使用的编码方式。
- 外码：除了内码都可以认为是“外码”。（包括class文件的编码）
而java内码：unicode（utf-16）中使用的是utf-16.所以上面的那句话再进一步解释就是：返回字符串的长度，这一长度等于字符串中的UTF-16的代码单元的数目。
https://xiaogd.net/。UTF-X 中的数字 X 就是各自代码单元的位数。
UTF-16 的 16 指的就是最小为 16 位一个单元，也即两字节为一个单元，UTF-16 可以包含一个单元和两个单元，对应即是两个字节和四个字节。我们操作 UTF-16 时就是以它的一个单元为基本单位的。
你还记得你前几天被面试官说菜的时候学到的Unicode知识吗，在https://mp.weixin.qq.com/s/QjU9lSekpbaF7fugZbyzkg这里面提到，UTF-16编码一个字符对于U 0000-U FFFF范围内的字符采用2字节进行编码，而对于字符的码点大于U FFFF的字符采用四字节进行编码，前者是两字节也就是一个代码单元，后者一个字符是四字节也就是两个代码单元！
而上面我的例子中的那个字符的Unicode值就是“U 1D11E”，这个Unicode的值明显大于U FFFF，所以对于这个字符UTF-16需要使用四个字节进行编码，也就是使用两个代码单元！
所以你才看到我的上面那个示例结果表示一个字符的String.length()长度是2！
来看个例子！
public class testStringLength {
public static void main(String [] args){
String B = ""; // 这个就是那个音符字符，只不过由于当前的网页没支持这种编码，所以没显示。
String C = "\uD834\uDD1E";// 这个就是音符字符的UTF-16编码
System.out.println(C);
System.out.println(B.length());
System.out.println(B.codePointCount(0,B.length()));
}
}
可以看到通过codePointCount()函数得知这个音乐字符是一个字符！
几个问题：0.codePointCount是什么意思呢？1.之前不是说音符字符是“U 1D11E”，为什么UTF-16是"uD834uDD1E"，这俩之间如何转换？2.前面说了UTF-16的代码单元，UTF-32和UTF-8的代码单元是多少呢？
一个一个解答：
https://blog.csdn.net/u012425381/article/details/38760179
codePointCount其实就是代码点数的意思，也就是一个字符就对应一个代码点数。
比如刚才音符字符（没办法打出来），它的代码点是U 1D11E，但它的代理单元是U D834和U DD1E，如果令字符串str = "u1D11E"，机器识别的不是音符字符，而是一个代码点”/u1D11“和字符”E“，所以会得到它的代码点数是2，代码单元数也是2。
但如果令字符str = "uD834uDD1E"，那么机器会识别它是2个代码单元代理，但是是1个代码点（那个音符字符），故而，length的结果是代码单元数量2，而codePointCount()的结果是代码点数量1.
https://mp.weixin.qq.com/s/QjU9lSekpbaF7fugZbyzkg
上图是对应的转换规则：
- 首先 U 1D11E-U 10000 = U 0D11E
- 接着将U 0D11E转换为二进制：0000 1101 0001 0001 1110，前10位是0000 1101 00 后10位是01 0001 1110
- 接着套用模板：110110yyyyyyyyyy 110111xxxxxxxxxx
- U 0D11E的二进制依次从左到右填入进模板：110110 0000 1101 00 110111 01 0001 1110
- 然后将得到的二进制转换为16进制：d834dd1e，也就是你看到的utf-16编码了
第2个问题
- 同理，UTF-32 以 32 位一个单元，它只包含这一种单元就够了，它的一单元自然也就是四字节了。
- UTF-8 的 8 指的就是最小为 8 位一个单元，也即一字节为一个单元，UTF-8 可以包含一个单元，二个单元，三个单元及四个单元，对应即是一，二，三及四字节。
参考
- 表情包出自微博@黄小B
- https://blog.csdn.net/u012425381/article/details/38760179
- https://xiaogd.net/
- https://tool.oschina.net/hexconvert
- https://baike.baidu.com/item/Unicode/750500?fr=aladdin
本文首发于程序员乔戈里
,
