Java 对 String 的内部表示是什么？修改后的 UTF-8？ UTF-16？

Question

我在 Java 的内部表示中搜索了字符串，但我得到了两种看起来可靠但不一致的材料。

一个是：

http://www.codeguru.com/cpp/misc/misc/multi-lingualsupport/article.php/c10451

它说：

Java 使用 UTF-16 进行内部文本表示，并支持对 UTF-8 进行非标准修改以进行字符串序列化。

另一个是：

http://en.wikipedia.org/wiki/UTF-8#Modified_UTF-8

它说：

Tcl 也使用与 Java 相同的修改后的 UTF-8[25] 来对 Unicode 数据进行内部表示，但对外部数据使用严格的 CESU-8。

修改后的 UTF-8？还是UTF-16？哪一个是正确的？ Java 在内存中为一个字符使用了多少字节？

请让我知道哪一个是正确的以及它使用了多少字节。

原文由 Johnny Lim 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

Java 使用 UTF-16 作为内部文本表示

Java 中 String 和 StringBuilder 等的表示是 UTF-16

https://docs.oracle.com/javase/8/docs/technotes/guides/intl/overview.html

文本在 Java 平台中是如何表示的？

Java 编程语言基于 Unicode 字符集，并且有几个库实现了 Unicode 标准。 Java 编程语言中的原始数据类型 char 是一个无符号的 16 位整数，可以表示 U+0000 到 U+FFFF 范围内的 Unicode 代码点，或者 UTF-16 的代码单元。 Java 平台中表示字符序列的各种类型和类 - char[]、java.lang.CharSequence 的实现（例如 String 类）和 java.text.CharacterIterator 的实现 - 都是 UTF-16 序列。

在 JVM 级别，如果您正在使用 -XX:+UseCompressedStrings （这是 Java 6 的某些更新的默认设置）实际的内存表示可以是 8 位，ISO-8859-1 但仅适用于字符串不需要UTF-16编码。

http://www.oracle.com/technetwork/java/javase/tech/vmoptions-jsp-140102.html

并支持对 UTF-8 的非标准修改以进行字符串序列化。

序列化字符串默认使用 UTF-8。

Java 在内存中为一个字符使用了多少字节？

A char 始终是两个字节，如果您忽略对象中填充的需要。

注意：一个代码点（允许字符 > 65535）可以使用一个或两个字符，即 2 或 4 个字节。

原文由 Peter Lawrey 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

您可以通过查看OpenJDK中的 java.lang.String 类的相关版本的源代码来确认以下内容。 （对于一些非常旧的 Java 版本， String 部分以本机代码实现。 该 源代码不公开。）

在 Java 9 之前， Java String 的标准内存表示是 UTF-16 代码单元保存在 char[] 中。

对于 Java 6 更新 21 及更高版本，有一个非标准选项 ( -XX:UseCompressedStrings ) 来启用压缩字符串。这个特性在 Java 7 中被移除了。

对于 Java 9 及更高版本， String 的实现已更改为 默认 使用紧凑表示。 java 命令 文档 现在这样说：

-XX:-CompactStrings

禁用压缩字符串功能。 默认情况下，此选项已启用。 启用此选项后，仅包含单字节字符的 Java 字符串在内部表示并存储为使用 ISO-8859-1 / Latin-1 编码的每个字符一个字节的字符串。这将仅包含单字节字符的字符串所需的空间量减少了 50%。对于至少包含一个多字节字符的 Java 字符串：这些字符使用 UTF-16 编码表示和存储为每个字符 2 个字节。禁用压缩字符串功能会强制使用 UTF-16 编码作为所有 Java 字符串的内部表示。

---

请注意，经典、“压缩”或“压缩”字符串都没有使用 UTF-8 编码作为 String 表示。在其他情况下使用修改后的 UTF-8；例如在类文件中，以及对象序列化格式。

也可以看看：

• Java 平台标准版 Oracle JDK 9 中的新特性
• JEP 254：紧凑的字符串
• Java 9 中压缩字符串和压缩字符串的区别

---

回答您的具体问题：

修改后的 UTF-8？还是UTF-16？哪一个是正确的？

UTF-16 或依赖于实际数据的自适应表示；看上面。

Java 在内存中为一个字符使用了多少字节？

单个 char 使用 2 个字节。由于可能的填充，可能会有一些“浪费”，具体取决于上下文。

A char[] 是每个字符 2 个字节加上对象标头（通常为 12 个字节，包括数组长度）填充到（通常）8 字节的倍数。

请让我知道哪一个是正确的以及它使用了多少字节。

如果我们现在谈论的是 String ，则无法给出一般性答案。这将取决于 Java 版本和硬件平台，以及 String 长度和（在某些情况下）字符是什么。实际上，对于某些版本的 Java，它甚至取决于您创建 String 的方式。

---

综上所述， String 的 API 模型 是 它既 是 UTF-16 代码单元序列 又 是 Unicode 代码点序列。作为 Java 程序员，您应该能够忽略“幕后”发生的一切。内部 String 表示（应该是！）无关紧要。

原文由 Stephen C 发布，翻译遵循 CC BY-SA 4.0 许可协议