本作品采用知識共享署名-非商業(yè)性使用-相同方式共享 2.5 中國大陸許可協(xié)議進行許可。
Java String是Java API中最常用的類，本文和大家談?wù)凷tring類的內(nèi)部原理，同時描述ISO-8859-1字符集在字符串處理中的獨特用處。
String類內(nèi)部管理著一個char類型的數(shù)組，Java API是這樣描述char基本類型的：
char 數(shù)據(jù)類型（和 Character 對象封裝的值）基于原始的 Unicode 規(guī)范，將字符定義為固定寬度的 16 位實體。
這一點我們可以通過下面的語句加以證實：
根據(jù)String類的構(gòu)造方法，我們可以這樣定義字符串：
上句代碼等效于：
同時，char基本類型與byte、short、int、long一樣可以用數(shù)值表示。所以上述代碼等效于：
需要注意的是，char基本類型始終使用16位即兩個字節(jié)表示一個字符，即使這個字符的Unicode值小于0xFF（如ASCII碼）。對于Unicode值大于0xFF的字符，如“中國”二字的Unicode編碼分別為/u4E2D和/u56FD，我們可以這樣創(chuàng)建：
當(dāng)然也可以這樣創(chuàng)建：
通過上面的描述可以明確兩個要點：
字符串對象中的每一個元素始終占據(jù)兩個字節(jié)長度，一個或兩個元素（增補字符占據(jù)兩個元素）表示一個字符。
字符串對象中的每一個元素都使用Unicode字符集進行編碼。
在出現(xiàn) Unicode 規(guī)范之前，計算機在處理字符串的問題上經(jīng)歷過ASCII和ANSI編碼兩個階段，在ASCII時代，計算機只能處理英文數(shù)字以及幾個基本符號，當(dāng)時使用的是單字節(jié)字符集（SBCS）。
各國為了能在計算機上處理本國的文字，制訂了相應(yīng)的國家標(biāo)準(zhǔn)，規(guī)定了各自的ANSI編碼。如中文簡體使用GBK標(biāo)準(zhǔn)；中文繁體使用BIG5標(biāo)準(zhǔn)；日文使用Shift_JIS標(biāo)準(zhǔn)。在ANSI編碼時代，計算機使用多字節(jié)字符集（MBCS）處理文字。如“中國ABC”，在GB2312標(biāo)準(zhǔn)中，“中國”兩個字符分別使用兩個字節(jié)表示，而“ABC”三個英文字符又分別使用一個字節(jié)表示。各國文字的ANSI編碼互不通用，不能使用一種ANSI編碼表達(dá)多個國家的文字。
為了文字交流的順暢，也就是說為了達(dá)到在一個文本當(dāng)中既可以有中文簡體字存在，也可以有中文繁體字存在的目的。國際組織根據(jù)各國語言的特點，使用兩個字節(jié)的數(shù)據(jù)量將大部分國家的文字信息整合到一個字符集中，這就是Unicode編碼，也稱萬國碼。關(guān)于Unicode編碼的特點，前文已經(jīng)描述，那就是使用雙字節(jié)字符集（DBCS）處理文字。
在Java中，使用字節(jié)數(shù)組保存不同字符集的字符值，如使用ASCII字符集保存“abc”的方法如下：
使用GBK字符集保存“中國”二字的方法如下：
當(dāng)然我們也可以使用Unicode字符集保存“中國”二字。如：
一個特殊的字符集UTF-8是與Unicode規(guī)范對應(yīng)的多字節(jié)表示的字符集。如“中”字的UTF-8編碼為“0xE4, 0xB8, 0xAD”三個字節(jié)。
在這里，將這些與具體字符集相對應(yīng)的字節(jié)化的數(shù)據(jù)流稱為字節(jié)化字符數(shù)據(jù)，與字符串對象形成鮮明對照的是，字符串對象的最小單位是兩個字節(jié)而字節(jié)化字符數(shù)據(jù)的最小單位則是一個字節(jié)。由此我們可以明確另外兩個要點：
字節(jié)化字符數(shù)據(jù)中的每一個元素始終占據(jù)一個字節(jié)長度，一個或多個元素表示一個字符。
字節(jié)化字符數(shù)據(jù)必須與一個字符集相對應(yīng)。
在Java程序運行過程中，字符串對象始終以Unicode編碼方式保存在內(nèi)存中，但將字符串對象保存到持久化資源（文件或數(shù)據(jù)庫）或?qū)⑵渫ㄟ^網(wǎng)絡(luò)傳輸時，通常是以字節(jié)化字符數(shù)據(jù)的方式進行處理。這樣就要求Java API必須提供兩者互換的功能。事實上這一功能在String類及Charset類中已經(jīng)提供。
一方面我們可以利用String類的getBytes()方法返回不同字符集的字節(jié)化字符數(shù)據(jù)，其本質(zhì)是從Unicode字符集編碼向其它字符集編碼轉(zhuǎn)換的過程。例如：
上例的輸出結(jié)果為：
中國的UNICODE編碼：
0xFE 0xFF 0x4E 0x2D 0x56 0xFD
中國的GBK編碼：
0xD6 0xD0 0xB9 0xFA
中國的UTF-8編碼：
0xE4 0xB8 0xAD 0xE5 0x9B 0xBD
需要注意的是，從字符串對象中取出的Unicode編碼的字節(jié)化字符數(shù)據(jù)時，其開始部分存在一個BOM（ByteOrderMark），一般情況下，該BOM值為“0xFE 0xFF”，即大端字節(jié)序（BIG_ENDIAN）。如果BOM值為“0xFF 0xFE”則為小端字節(jié)序（LITTLE_ENDIAN）。
另一方面也可以利用String類的構(gòu)造方法根據(jù)不同字符集的字節(jié)化字符數(shù)據(jù)產(chǎn)生一個字符串對象，其本質(zhì)是從其它字符集編碼向Unicode字符集編碼轉(zhuǎn)換的過程。例如：
上例三個輸出語句均輸出“中國”二字。
上述兩種轉(zhuǎn)換過程，特別是Unicode字符集編碼向其它字符集編碼的轉(zhuǎn)換過程中會出現(xiàn)轉(zhuǎn)換失敗的現(xiàn)象。轉(zhuǎn)換失敗時該Unicode碼自動用0x3F代替。例如：
上例的輸出結(jié)果為：
中國的BIG5編碼：
0xA4 0xA4 0x3F
其中“國”由于沒有繁體中文BIG5字符集對應(yīng)的編碼值，所以會用0x3F表示。
ISO-8859-1是單字節(jié)字符集，是ASCII字符集的補充。通常情況下使用ISO-8859-1字符集進行字符串對象與字節(jié)化字符數(shù)據(jù)的互換操作與前述完全一致。例如：
上例的輸出結(jié)果為：
ISO-8859-1編碼：
0x61 0x62 0x63
UNICODE編碼：
0xFE 0xFF 0x00 0x61 0x00 0x62 0x00 0x63
通過此例可以看出，從ISO-8859-1字符集轉(zhuǎn)換成Unicode字符集的過程是將字節(jié)化字符數(shù)據(jù)中的每個一個byte類型元素直接保存成一個char類型元素。也就是說下面的代碼：
等效于：
需要注意的是，ISO-8859-1到Unicode的轉(zhuǎn)換過程是對編碼值為0x00 - 0xFF之間都有效的一種轉(zhuǎn)換。在ISO-8859-1字符集中，0x00-0x1F、0x7F、0x80-0x9F沒有定義。我們可以使用其中幾個無效編碼進行測試：
上例的輸出結(jié)果為：
ISO-8859-1編碼：
0x00 0x1A 0x7F 0x93
UNICODE編碼：
0xFE 0xFF 0x00 0x00 0x00 0x1A 0x00 0x7F 0x00 0x93
根據(jù)這一特點，我們可以總結(jié)出最后一個要點：
利用ISO-8859-1字符集，我們可以將任何一個字節(jié)數(shù)組無損保存到字符串對象中。
也就是說，可以利用這一特點將字節(jié)化字符數(shù)據(jù)的原始字節(jié)數(shù)據(jù)（而不是經(jīng)過Unicode字符集轉(zhuǎn)換之后的數(shù)據(jù)）直接保存在字符串對象中。反之也可以從一個經(jīng)過ISO-8859-1編碼的字符串對象中取出原始字節(jié)數(shù)據(jù)。例如：
上例的輸出結(jié)果為：
原始字節(jié)流：
0xE4 0xB8 0xAD 0xE5 0x9B 0xBD
轉(zhuǎn)換字節(jié)流：
0xE4 0xB8 0xAD 0xE5 0x9B 0xBD
這種通過字符串對象保存原始字節(jié)數(shù)據(jù)的方法被很多地方所使用。最常見的就是Java WEB應(yīng)用中Web服務(wù)器對來自于服務(wù)器的表單數(shù)據(jù)的處理，關(guān)于這方面的詳細(xì)說明請參考 如何解決Java WEB應(yīng)用中的亂碼問題。
