众所周知，在 UTF-8 编码中，中文字符通常占用 3 个字节:
import java.nio.charset.StandardCharsets;
/**
* @author shenyang
* @version 1.0
* @info untitled
* @since 2024/6/30 上午9:42
*/
public class Test {
public static void main(String[] args) {
String str = "啊";
byte[] bytes = str.getBytes(StandardCharsets.UTF_8);
int byteCount = bytes.length; // 字节数
System.out.println(byteCount);
}
}
输出确实符合这个结论。
而在 UTF-16 编码中，中文字符通常占用 2 个字节:
import java.nio.charset.StandardCharsets;
/**
* @author shenyang
* @version 1.0
* @info untitled
* @since 2024/6/30 上午9:42
*/
public class Test {
public static void main(String[] args) {
String str = "啊";
byte[] bytes = str.getBytes(StandardCharsets.UTF_16);
int byteCount = bytes.length; // 字节数
System.out.println(byteCount);
}
}
但是运行结果却为 4：
这是位什么呢？经查阅资料发现：
- 在
UTF-16编码中，每个字符通常占用 2 个字节，但在字符串转换为字节数组时，UTF-16 会在字节数组的开头加入一个字节顺序标记（BOM），这会额外占用 2 个字节。 - 因此，
UTF-16编码的结果包含 2 个字节的字节顺序标记和 2 个字节的实际字符编码，总共是 4 个字节。
将字符串修改为两个中文字符。
String str = "啊啊";
相比于原来确实是多出两个字节，证实了结论。
但是现在还有一个疑问，这个字节顺序标记到底是个什么东西呢？
它是一种用于指示文本文件或数据流中字节顺序（即字节序）的方法。它在某些编码（如UTF-16和UTF-32）中用于标识字节顺序是大端序（Big Endian）还是小端序（Little Endian）。具体来说：
- 大端序（Big Endian）: 高字节（最重要的字节）存储在内存的低地址端。
- 小端序（Little Endian）: 低字节（最重要的字节）存储在内存的低地址端。
在UTF-16编码中，BOM的值是 0xFEFF：
- 如果文件的前两个字节是
0xFE 0xFF，表示文件使用大端序。 - 如果文件的前两个字节是
0xFF 0xFE，表示文件使用小端序。
当你将字符串转换为UTF-16编码的字节数组时，Java通常会在字节数组的开头添加BOM，以指示字节顺序。这样，接收该字节数组的程序或设备可以根据BOM正确解码字节数据。
