根据Java文档，Java中的字符是用UTF-16编码表示的，最小值为\\u0000（0），最大值为\\uffff（65535），即一个字符由2个字节表示。Java最多只能表示65535个字符吗？char：char数据类型是单个16位Unicode字符。它的最小值为'\\u0000'（或0），最大值为'\\uffff'（或65,535）。来自TheJava?Tutorials首先，让我们看一个例子：运行这个程序，你认为输出是什么？输出：我们知道，String.getBytes()如果不指定编码格式，Java会使用操作系统的编码格式来获取字节数组。在我的MacOS中，默认使用UTF-8作为字符编码（locale命令可以查看操作系统的编码），所以在我的机器运行时，String.getBytes()会返回一个UTF-8编码的字节数组。String.length返回Unicode代码单元的长度。String.toCharArray返回一个字符数组。我们设置的字符串都是两个unicode字符，输出结果为：普通汉字：字符串长度为2，每个汉字按照UTF-8编码为三个字节，字符数组长度不似乎是问题表情符号字符：我们设置了两个表情符号字符，男性和女性头像。结果字符串长度为4，UTF-8编码为8字节，字符数组长度为4个生僻汉字：我们设置了两个汉字，其中一个是生僻汉字。得到的字符串长度为3，UTF-8编码为7字节，字符数组长度为3。看来字符串的字符数和我们预期的有点不一样。我们的字符串只有两个unicode字符，但是输出结果有时是2，有时是3，有时是4，为什么呢？这还得从Java的历史说起。Java最初设计的Charactor使用两个字节来表示unicode字符。这个没问题，因为一开始unicode的字符比较少。Java1.1之前使用Unicode1.1.5版本，JDK1.1开始支持Unicode2.0，JDK1.1.7支持Unicode2.1，JavaSE1.4支持Unicode3.0，JavaSE5.0开始支持Unicode4.0。直到Unicode3.0，Java用两个字节表示unicode字符没有问题，因为Unicode3.0最多可以有49259个字符，两个字节可以表示65535个字符，足以容纳所有的uicode3.0字符。但是到了Unicode4.0（实际上是从Unicode3.1开始），字符集已经大大扩展到96,447个字符，而Unicode11.0已经包含了137,374个字符。在Unicode中，每个字符对应一个代码点（一个整数），由U+后跟一个十六进制数表示。所有字符按使用频率分为17个平面（编号0-16），即基本多语言平面和补充平面。BasicMultilingualPlane（英文为BasicMultilingualPlane，简称BMP），又称0平面，收集了目前使用最广泛的字符。这样Java的Charactor的两字节设计不足以容纳所有的Unicode4个字符，所以可能需要4个字节来表示扩展字符，所以现在的Charactor表示的不再是一个字符（codepoint代码点），而是一个代码单元（codeunit）。CodePoint：代码点，一个字符的数字表示。一个字符集一般可以用一个或多个由多行多列组成的二维表来表示。二维表中行和列相交的点称为码点，每个码点都分配一个唯一的编号，称为码点值或码点编号，某些特殊区域除外（如机关区域、dedicatedarea)的非字符码点和保留码点，每一个都唯一对应一个字符。从U+0000到U+10FFFF。代码单元：代码单元是指编码文本中具有最短位组合的单元。对于UTF-8，一个编码单元是8位长；对于UTF-16，一个代码单元是16位长。也就是说，UTF-8以一个字节为最小单位，UTF-16以两个字节为最小单位。Java字符在内部是用UTF-16编码表示的，String.length返回的是CodeUnit的长度，不是Unicode中字符的长度。对于传统BMP平面的码位，String.length与我们传统理解的字符数相同。对于扩展字符，String.length可能是我们理解的字符长度的两倍。你可能会问，对于一个UTF-16编码的扩展字符，用4个字节表示，前两个字节会不会和BMP平面冲突，导致程序不知道是扩展字符还是BMP平面？其实，这不可能。幸运的是，在BMP平面中，U+D800和U+DFFF之间的代码点是永久保留的，没有映射到Unicode字符。UTF-16使用保留的0xD800-0xDFFF块的码位来编码辅助平面字符的码位。在UTF-16编码中，辅助平面中的码位从U+10000到U+10FFFF，一共FFFFF，需要20位来表示。第一个整数（两个字节，称为首位代理）用于容纳上述20位中的前10位，第二个整数（称为尾部代理）用于容纳上述20位中的后10位。前导代理取值范围为0xD800～0xDBFF，尾代理取值范围为0xDC00～0xDFFF。可以看出，leadingagent和trailingagent的范围都在BMP平面中不用于映射的codepoints之内，所以不会有冲突，leadingagent和trailingagent不会重叠。这样，如果我们得到两个字节，我们可以直接判断它是BMP平面的字符，还是扩展字符中的前导或尾随码。部分国外用户使用emojis字符作为昵称，导致部分系统显示不正确。这是因为这些系统使用Charactor粗略地表示它们，有时在显示时被截断时可能不在正确的代码点。截断。我们在进行字符串截取的时候，比如String.substring，可能会踩到一些陷阱，尤其是经常使用的emojis字符。自Java1.5java.lang.String提供了获取完整Unicode字符和Unicode字符个数的CodePoint方法：publicintcodePointAt(intindex)publicintcodePointBefore(intindex)publicintcodePointCount(intbeginIndex,intendIndex)注意这些方法中的index使用的是codeunit价值。
