前文《為什么 String 要設(shè)計成 final ，又如何設(shè)計一個不可變類呢？》留下了一個編碼相關(guān)的問題，Java 中理論說是一個字符（漢字 字母）占用兩個字節(jié)。但是在 UTF-8 的時候 new String("字").getBytes().length 返回的是3 表示3個字節(jié)，知道是為什么嗎，Java 中 char 占多少字節(jié)?
在回答這個問題之前，讓我們先學(xué)習(xí)一點基礎(chǔ)知識吧。
什么是字符集? 什么是編碼?
字符( Character )是文字與符號的總稱，包括文字、圖形符號、數(shù)學(xué)符號等。 一組抽象字符的集合就是字符集( Charset )。
之所以說“抽象”二字，是因為這里所提及的字符是不具任何具體形式的字符。例如“漢”這個字符，在文章中看到這個“漢”字，這其實是這個字符的一種具體表現(xiàn)形式，是它的圖像表現(xiàn)形式，當(dāng)人們讀“漢”這個字的時候，他們使用的是另一個具體表現(xiàn)形式---聲音。但是無論如何，這兩個表現(xiàn)形式都是指這個“漢”字，同一個字符的表現(xiàn)形式可能有無數(shù)種（點陣法、矢量法、音頻等），把每一種的表現(xiàn)形式下的同一個字符都納入到字符集中，會使得集合過于龐大。因此抽象字符集中的字符，都是指唯一存在的抽象字符，而忽略了它的具體表現(xiàn)形式。在給定一個抽象字符集合中的每個字符都分配了一個整數(shù)編號之后，這個字符集就有了順序，就成為了編碼字符集。同時，這個編號，可以唯一確定到底指的是哪一個字符。對于同一個字符，不同的字符集編碼系統(tǒng)所指定的整數(shù)編號也不盡相同。例如“兒”這個字，在 Unicode 中，它的編號是 0x513F，意思是它是 Unicode 這個編碼字符集中的第 0X513F 個字符。而在另一種編碼字符集中，這個字是 0xA449。
編碼字符集，指的是這種被分配了整數(shù)編號的字符集合，但是編碼字符集中字符被分配的整數(shù)編號，不一定就是該字符在計算機中存儲時所使用的值，計算機中存儲的字符到底使用什么二進制整數(shù)值來表示，由字符集編碼決定。
字符集編碼決定了如何將一個字符的整數(shù)編號對應(yīng)到一個二進制的整數(shù)值。英文字符幾乎所有的字符集編碼中，英文字母的整數(shù)編號與其在計算機內(nèi)部存儲的二進制形式都一致。但是有的編碼方式中，例如適用于 Unicode 字符集的 UTF-8 編碼形式，就將很大一部分字符的整數(shù)編號作了變換后存儲到計算機中。例如“漢”的 Unicode 值為 0x6C49, 但其編碼格式為 UTF-8 格式后的值為 0xE6B189 (3個字節(jié))。
編碼字符集里的每一個字符，都對應(yīng)到唯一的一個代碼值，這些代碼值叫做碼點( code point )，可以看做是這個字符在編碼字符集里的序號，字符在給定的編碼方式下的二進制比特序列稱為碼元( code unit )。
注意：我們在這里引出了兩個概念，碼點和碼元。
為什么要區(qū)分字符集與編碼這兩個概念？
在早期，字符集與編碼是一對一的。有很多的字符編碼方案，一個字符集只有唯一一個編碼實現(xiàn)，兩者是一一對應(yīng)的。比如 GB2312，這種情況，無論你怎么去稱呼它們，比如“GB2312編碼”，“GB2312字符集”，說來說去其實都是一個東西，可能它本身就沒有特意去做什么區(qū)分，所以無論怎么說都不會錯。
到了 Unicode，變得不一樣了，唯一的 Unicode 字符集對應(yīng)了三種編碼：UTF-8，UTF-16，UTF-32。字符集和編碼等概念被徹底分離且模塊化，其實是 Unicode 時代才得到廣泛認(rèn)同的。
1）charset 是 character set 的簡寫，即字符集。
2）encoding 是 charset encoding 的簡寫，即字符集編碼，簡稱編碼。
從上圖可以很清楚地看到，
1、編碼是依賴于字符集的，就像代碼中的接口實現(xiàn)依賴于接口一樣；
2、一個字符集可以有多個編碼實現(xiàn)，就像一個接口可以有多個實現(xiàn)類一樣。
為什么 Unicode 這么特殊？
搞出新的字符集標(biāo)準(zhǔn)，無外乎是舊的字符集里的字符不夠用了。
Unicode 的目標(biāo)是統(tǒng)一所有的字符集，囊括所有的字符，因此再去整什么新的字符集就沒必要了。
但如果覺得它現(xiàn)有的編碼方案不太好呢？在不能弄出新的字符集情況下，只能在編碼方面做文章了，于是就有了多個實現(xiàn)，這樣一來傳統(tǒng)的一一對應(yīng)關(guān)系就打破了。
從上圖可以看出，由于歷史方面的原因，你還會在不少地方看到把 Unicode 和 UTF-8 混在一塊的情況，這種情況下的 Unicode 通常就是 UTF-16 或者是更早的 UCS-2 編碼。
我們現(xiàn)在說了不少 Unicode，由于各種原因，必須承認(rèn)，在不同的語境下，“Unicode”這個詞有著不同的含義。它可能指：
1）Unicode 標(biāo)準(zhǔn)
2）Unicode 字符集
3）Unicode 的抽象編碼（編號），也即碼點（ code point ）
4）Unicode 的一個具體編碼實現(xiàn)，通常即為變長的 UTF-16，又或者是更早期的定長 16 位的 UCS-2。
這里重點介紹下 UTF-16 編碼，UTF-16 把 Unicode 字符集的碼點映射為 16 位長的整數(shù)（即碼元， 長度為 2 Byte）的序列，用于數(shù)據(jù)存儲或傳遞。Unicode 字符的碼點，需要 1 個或者 2 個 16 位長的碼元來表示，因此這是一個變長表示。
UTF-16 可看成是 UCS-2 的父集。在沒有輔助平面字符（基本思想是用 2 個 16 位的編碼表示一個字符，只對超過 65535 的字符這么做）前，UTF-16 與 UCS-2 指的是同一的意思。引入輔助平面字符后，就稱為 UTF-16 了。
現(xiàn)在若有軟件聲稱自己支持 UCS-2 編碼，那其實是暗指它不能支持在 UTF-16 中超過 2 bytes 的字集。對于小于 0x10000 的 UCS 碼，UTF-16 編碼就等于 UCS 碼。
為什么要重點介紹 UTF-16 編碼，因為 Java 的內(nèi)碼使用的是 UTF-16 編碼，也就是我們常說的 Unicode 編碼。
沒想到寫了那么長，只是介紹了字符集以及編碼的區(qū)別，看來是要分成兩篇文章才能回答前文留下的問題，本文總結(jié)其實就是兩句話：
編碼字符集里的每一個字符規(guī)定的順序，叫碼點( code point )，而這個字符在編碼字符集里的序號，在給定的編碼方式下的二進制序列叫碼元( code unit )。
在 Java 的世界里，我們更多接觸的外碼，即程序與外部交互時外部使用的字符編碼，而你不知道的還有更多，期待下期我們正式進入 Java 的編碼世界，最終去回答前文的那個問題。
