Java中关于char和String对于代码点和代码单元的提问

Question

Java中采用的是Unicode,并且使用UTF-16进行编码.
首先,Unicode中有17个代码层次,除了第一个代码层次意外其余16个代码层次全部需要2个代码单元组成.那么问题就来了:
1.String类的length()方法,在官方API中写明了是返回字符串中包含代码单元的数量,那字符串中如果有中文的话(中文属于其余16个代码层次),那一个中文对应2个代码单元,但我在实际测试当中并非得到这样的结果,而是返回字符的数量(即代码点的数量),而非代码单元的数量.这是我问题之一.
2.char在Java中以16位的形势存在,而1个代码单元占16位.对于第一代码层次UTF-16编码之后的代码单元为16位,对于其它代码层次的代码点编码之后是两个代码单元,即16*2 ＝ 32位.那么一个char类型是不足以储存其它代码层次的代码点,也无法储存需要32位才能存储的中文.但是也实际测得的结果是能够储存的.这是我问题之二.

public class Hello {

public static void main(String[] args) {
    // TODO Auto-generated method stub
    String green = "国家";
    int countUnit = green.length();
    int countPoint = green.codePointCount(0, green.length());
    char character = green.charAt(0);
    System.out.printf(character+" "+countUnit+" "+countPoint);
}//输出结果为国 2 2,但按照这个逻辑应该是"(一个未知的代码单元) 4 2"

}`

Answer 1

Unicode字符编码有两种方案：16位编码与32位编码，对应的字符集分别称为USC-2和USC-4。Java语言采用USC-2字符集，即16位Unicode字符编码，其前128个字符与ASCII字符集完全一致，之后是其他语言文字，如拉丁语、希腊语、汉字等。

char 在java中是2个字节。java采用unicode，2个字节（16位）来表示一个字符。

Answer 2

不是所有的中国文字的编码都占用两个代码单元，国家二字对应的unicode编码分别为u56fd u5bb6，一个字只占用一个单元。而有些汉字是需要用两个代码单元编码的 比如 CJK统一汉字扩充A中包含的文字 例：“?”

日常的汉字都在第一字符平面，用一个代码单元表示
用多个一对代码单元表示的一般是甲骨文或一些偏僻生字 被收录在辅助平面。

所以正常情况可以认为中文用两个字节即一个代码单元表示~

参考：https://weiji.ga/zh-hans/Unic...

public class StringTest{

       public static void main(String[] args){
               String c = args[0];
               System.out.println(c);
               System.out.println(c.length());
               System.out.println(c.codePointCount(0,c.length()));

       }

}

输出结果：
?
2
1