Java8一个汉字占几个字节

总结

不同的编码格式占字节数是不同的，UTF-8编码下一个中文所占字节大多常用字是3个字节、少部分是4个字节。UTF-16编码下一个中文所占用字节大多常用字是2个字节，少部分是4字节。

Java存储字节码使用UTF-8节省处理字符串所占用，运行使用UTF-16节省处理字符串时间。

名词解释

字节：byte
字符：char
code unit：编码中最小单位，UTF-8中为1字节；UTF-16中为2字节。
code point：Unicode字符集中所对应的唯一编号，即一个文字的唯一编号。
内码（internal encoding）：程序内部使用的字符编码，特别是某种语言实现其char或String类型在内存里用的内部编码。
外码（external encoding）：程序与外部交互时外部使用的字符编码。“外部”相对“内部”而言；不是char或String在内存里用的内部编码的地方都可以认为是“外部”。例如，外部可以是序列化之后的char或String，或者外部的文件、命令行参数之类的。

编码格式

ASCII 码 128个
ISO-8859-1 256个
GB2312 6763个汉字
GBK 兼容GB2312，能表示2W+汉字
GB18030 使用不广泛
UTF-16 Unicode（Universal Code 统一码）：定义文字编码 UTF：定义Unicode在计算机中的转换。 UTF-16：设计之初是定长2个字节，后面变为可变长2|4字节。一个字符（char）用两个字节表示，简化字符串转换操作，提高效率。
UTF-8 采用了一种变长技术，每个编码区域有不同的字码长度。不同类型的字符可以是由 1~6 个字节组成。

编码对应关系

GBK编码

英语字母等需要1个字节，1个汉字对应2个字节。

UTF-16 编码

code unit为2个字节，英语字母等需要2个字节，中文需要2|4字节。

UTF-8 编码

code unit为1个字节，英文等字母需要一个字节，中文变为3|4个字节。

乱码

中文变成了看不懂的字符

例如，字符串“淘！我喜欢！”变成了“Ì Ô £ ¡Î Ò Ï²»¶ £ ¡”。 I/O输出方字符串采用GBK编码成字节数组，I/O接收方收到后对其用ISO-8859-1节码。模拟代码如下。

String str = "淘！我喜欢！";
byte[] gbkBytes = str.getBytes("GBK");
String isoStr = new String(gbkBytes, "ISO-8859-1");
System.out.println(isoStr);

编码过程如下图所示。

一个汉字变成一个问号

例如，字符串“淘！我喜欢！”变成了“？？？？？？”。 I/O输出方字符串采用ISO-8859-1编码成字节数组，I/O接收方收到后对其用ISO-8859-1解码。模拟代码如下。

String str = "淘！我喜欢！";
byte[] isoBytes = str.getBytes("ISO-8859-1");
String isoStr = new String(isoBytes, "ISO-8859-1");
System.out.println(isoStr);

编码过程如下图所示。

一个汉字变成两个问号

例如，字符串“淘！我喜欢！”变成了“？？？？？？？？？？？？”编码过程如下图所示。

SpringBoot中的乱码

application.properties乱码

参考

原因

application.properties文件使用ISO-8859-1解码。

CharacterReader(Resource resource) throws IOException {  
   this.reader = new LineNumberReader(  
         new InputStreamReader(resource.getInputStream(), StandardCharsets.ISO_8859_1));  
}

解决办法

@PropertySource(value = “classpath:非application.properties”, encoding = “UTF-8”)
使用yml或者ymal
IDE/插件预编码，没试过
1. 在 SpringBoot 项目中设置 spring.factory 的 org.springframework.boot.env.PropertySourceLoader，指定自定义的 PropertySourceLoader, 自定义处理。没试过。

参考：

Java一个汉字占几个字节（详解与原理）(转载)

vv

Explorer