Java String保存字符串 Java String保存字符串的机制

String 真的是 Immutable 的吗

Java 中的 Unicode 字符串会按照 Latin1（所有的字符都小于 0xFF 时）或者 UTF16 的编码格式保存在 String 中，保存为 byte 数组：

private final byte[] value;

通常所说的 Immutable 都是指 final bytes 在 String 初始化后就不会修改，所有字符串的相关操作都是不会修改原数组而是创建新的副本。

但是数组元素理论上是可以修改的，比如下面通过反射的方式，将字符串常量 abc 修改为 Abc：

    public static void main(String[] args) {
     setFirstValueToA("abc");
        String replaced = new String("abc");
        System.out.println(replaced); // Abc
    }
    
    private static void setFirstValueToA(String str) {
        Class<String> stringClass = String.class;
        try {
            Field value = stringClass.getDeclaredField("value");
            value.setAccessible(true);
            byte[] bytes = (byte[]) value.get(str);
            bytes[0] = 0x41; // A
 
        } catch (NoSuchFieldException | IllegalAccessException e) {
            e.printStackTrace();
        }
    }

字符串数组如何保存为字节数组

通过如下代码测试几个字符串数组：

    public static void main(String[] args) {
        printString("abc");
        printString("中文");
        printString("abc中文");
        printString("abc");
    }
    private static void printString(String str) {
        System.out.println("======>" + str);
        // return the UTF-16 char[] size
        System.out.println("length: " + str.length());
        // Use default Encoding (UTF-8)
        System.out.println("getBytes: " + str.getBytes().length);
        // Convert UTF-16 char[] to char
        System.out.println("codePointCount: " + str.codePointCount(0, str.length()));
        // Get the UTF-16 char[]
        System.out.println("toCharArray: " + str.toCharArray().length);
        // The UTF-16 char[] to bytes
        System.out.println("internal value: " + getStringInternalValueLength(str));
    }

结果如下：

internal value

首先解释下 String 的 value 字段计算方式：

• 所有字符都小于 0xFF 时，采用 Latin1 Character Encoding 来保存 Unicode code point，也就是每个字符都用一个 byte 来保存。比如“ABC”
• 上述条件不满足时，采用 UTF-16 Character Encoding 来保存，也就是每个字符都用 2 个或者 4 个 byte 来保存。

Unicode 是 Coded Character Set，将几乎所有的人类文字映射到 code point 符号，通常格式为 U+xxxx，xxxx 为 16 进制整数，表达范围为 U+0000～U+10FFFF。code point 符号是文字的规范化标记，但是实际保存时肯定还是要保存为字节数组的。这些不同的保存方式就是 Character Encoding，比如 UTF-8，还有 Java String 内部采用的 UTF-16。

UTF-16 是一种将 Unicode code point 表达成字符数组的编码方式，对于 U+0000～U+FFFF，直接按照 2 个字节保存（细分的话还有大端字节序和小端字节序的区别）；对于 U+10000～U+10FFFF，会先转化为一对 U+D800～U+DFFF 范围内的 code point（surrogate pair），再将这两个 code point 按照前面的规则保存。之所以选择这个范围，是因为这个 Unicode 区间还没有被分配有效的字符，因此可以和前面的规则区分。

“中文”这两个汉字的 Unicode code point 非别为 U+4E2d、U+6587，大于 0xFF，所以保存 byte 长度为 4；"abc中文" 中存在不满足条件的字符，所以全部用 UTF-16 保存，它们都是 2 个 byte 的，所以长度为 10。

“☺” 的 Unicode code point 为 U+1F60A，根据 UTF-16 规范，U+10000～U+10FFFF 需要转化为 surrogate pair 之后再保存成 byte， 转换后为 U+D83D、U+DE0A，因此 "abc" 的字节长度为 10。

toCharArray()

Java 中 char 的大小为 2 个字节，刚好可以表示一个 U+0000～U+FFFF 的 Unicode 符号。

Latin1 编码时，char 数组为 byte 数组的填充，高字节为 0；UTF-16 编码时，相当于转化过 surrogate pair 后的 Unicode 编码数组，其中 0xD800～0xDFFF 范围内的为 surrogate 字符。

“abc” 时为 Latin1 编码，所以 char 数组大小等于 bytes 数组；“abc中文” 时为 UTF-16 编码，所以 char 数组大小等于 bytes 数组的一半。

codePointCount()

toCharArray 方法将转化后的 surrogate pair 也算在内，因此实际长度可能大于字符长度。而 codePointCount 就能去除 surrogate pair 的影响，返回初始的字符长度，它会将连续两个 surrogate pair 只计数一次。

String.length

该方法就是 toCharArray 数组的长度，受到 surrogate pair 的影响，可能大于字符长度。

str.getBytes().length

String 内部是通过 UTF-16 编码保存的字节数组，当通过 getBytes 方法返回时，是需要指定 Encoding 的，默认采用 UTF-8，因此会将 UTF-16 的字节数组转化为 UTF-8 的字节数组，每个 Unicode 符号在 UTF-8 编码后长度为 1～4 字节。

        System.out.println("abc".getBytes(UTF_8).length); // 3
        System.out.println("中".getBytes(UTF_8).length); // 3
        System.out.println("文".getBytes(UTF_8).length); // 3
        System.out.println("".getBytes(UTF_8).length); // 4

最后