utf-16 是 java 内部处理字符串的编码格式，它将字符映射为 16 位（2 字节）的代码单元序列。在 java 中，`char` 类型占用 2 个字节，`string` 类由 `char[]` 数组构成，因此字符串在内存中直接以 utf-16be（大端序）存储。这种设计使得 java 能够高效地通过索引访问字符，但对于超出基本多文种平面（bmp）的辅助平面字符（如 emoji），会使用两个 `char`（即 4 字节）组成的代理对来表示。
UTF-16 如何处理 BMP 与辅助平面字符
UTF-16 根据 Unicode 码点范围决定使用一个还是两个代码单元。对于 U+0000 到 U+FFFF 的字符，直接使用其码点作为 16 位值；对于 U+10000 及以上的字符，则通过计算偏移量生成高代理项和低代理项。Java 的 `String.charAt()` 方法返回的是单个代码单元，若需获取完整字符应使用 `codePointAt()`。
public class Utf16Demo {
public static void main(String[] args) {
// BMP 字符：A (U+0041)
char c1 = 'A';
System.out.println("Char A: " + c1);
System.out.println("Code Point: " + Integer.toHexString(c1));
// 辅助平面字符：Emoji (U+1F600)
String emoji = "\uD83D\uDE00";
int cp = emoji.codePointAt(0);
System.out.println("Emoji Code Point: " + Integer.toHexString(cp));
System.out.println("Length in chars: " + emoji.length());
}
}
UTF-16 与大端序、小端序及 BOM 的关系
UTF-16 存在两种字节序：大端序（UTF-16BE）和小端序（UTF-16LE）。Java 默认使用大端序存储字符串。当进行序列化或网络传输时，若未指定字节序，可能导致乱码。BOM（Byte Order Mark）用于标识字节序，但在 Java 内部字符串中通常不包含 BOM，仅在文件 I/O 或特定编码转换时出现。
import java.nio.charset.StandardCharsets;
public class ByteOrderDemo {
public static void main(String[] args) {
String text = "Hi";
byte[] beBytes = text.getBytes(StandardCharsets.UTF_16BE);
byte[] leBytes = text.getBytes(StandardCharsets.UTF_16LE);
System.out.print("BE bytes: ");
for (byte b : beBytes) System.out.printf("%02X ", b);
System.out.println();
System.out.print("LE bytes: ");
for (byte b : leBytes) System.out.printf("%02X ", b);
System.out.println();
}
}
为什么 Java 字符串长度可能不等于字符数
由于辅助平面字符由两个 `char` 组成，`String.length()` 返回的是代码单元数量而非视觉字符数。例如，一个 Emoji 会贡献 2 给 `length()`，但只算作 1 个字符。若需准确计数，应使用 `codePointCount()` 或 `String::codePoints().count()`。这一特性在涉及文本处理、UI 显示或数据库存储时需特别注意，以避免长度计算错误。
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
