计算机中怎么依据字节数组找到对应的字符

news2025/1/15 6:33:13

问题引入

将中文字符“你”用UTF-8编码转成字节数组后，为什么是这样的三个数字？

        byte[] bytes = "你".getBytes(StandardCharsets.UTF_8);
        for (byte t:bytes){
            System.out.println(t);
        }

打印的结果如下：

-28
-67
-96

你有没有很好奇，为什么是这三个数字？

问题分析

字节数组为什么长度是3

这个问题比较简单，因为UTF-8的规范就是，常见的中文字符是用占用三个字节的，所以你字转成二进制字节数组的长度就是3

怎么根据这三个数映射到字符你

验证的流程如下：

将10进制转成二进制

        byte[] bytes = "你".getBytes("UTF-8");

        for (byte b : bytes) {
            String tmp = Integer.toBinaryString(0xFF & b);
            System.out.println(tmp);
        }

解释下这段代码

0xFF是16进制，将16进制转成二进制的结果就是11111111，对应的10进制是255

byte在java中是占用一个字节的，也就是8bit，这里使用 0xFF & b的目的是让对应的byte数值对应的二进制只保留8位

打印的结果如下

11100100

10111101

10100000

UTF-8字符集是怎么编码的

UTF-8的编码规则是这样的：

对于单字节的字符，字节的第一位设为0，后面7位为这个符号的Unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
对于n字节的字符 (n > 1)，第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的Unicode码。

这段是取自官方网站，可以详细的看到UTF-8字符集是怎么编码的。

byte数组对应的二进制进行组合，就是如下的二进制了

11100100 10111101 10100000

对这个源码进行UTF-8编码得到的结果就是，【剔除第一个字节的前四位，剔除第二个字节的前两位，剔除第三个字节的前两位】，得到的结果就是如下：

0100111101100000