Java中char只有两字节为什么能存中文

一、说明

在Java中默认都是用utf-8进行编码的，所以它的每个中文字符都是三字节，但char也能存中文，不过char只有两字节，它是怎么存的中文呢？

二、实验

首先我们用代码先验证几个事情
a) char只有两字节，但能存中文
b) 中文的utf-8编码是三字节
代码：

public class MyFirst {
    public static void main (String[] args) {
        charToInt(65535);
        charToInt(65536);
        charToInt(65537);

        char ch1 = '中';
        System.out.println(ch1);

        String s1 = "中";
        getStringBytes(s1);
    }

    static void charToInt(int num) {
        char c1 = (char) num;
        int i2 = (int) c1;
        System.out.println(i2);
    }

    static void getStringBytes (String s) {
        byte[] s1Bytes = s.getBytes(StandardCharsets.UTF_8);
        for (int i = 0; i < s1Bytes.length; i++) {
            System.out.println(("中的utf-8第" + (i + 1) + "位编码为：" + s1Bytes[i]));
        }
    }
}

结果：

65535
0
1
中
中的utf-8第1位编码为：-28
中的utf-8第2位编码为：-72
中的utf-8第3位编码为：-83

可以看到当把一个int类型的数字传给char，然后再将这个char转为int类型，当数字大于65535的时候，结果就与传入的值不一样了。这是由于char实际是两字节的无符号整数，而两字节无符号的整数的最大值是2的16次方-1=65535，当传入的字节数大于两字节的时候，高比特位会丢弃。举例：65536(二进制为：10000000000000000)，其中"1"在第17位，被丢弃，所以最后出来的值就是0。而从getStringBytes方法中可以看到一个汉字的确是三字节编码，那么char只有两字节是怎么存的汉字呢？

想要搞清楚char是怎么存的汉字，我们可以将程序改一下，直接打印这个char的整数值，以及String的16进制编码。
代码：

public class MyFirst {
    public static void main (String[] args) {
        char ch1 = '中';
        System.out.println((int) ch1);
        System.out.println(Integer.toHexString(ch1));

        String s1 = "中";
        getHexStringBytes(s1);
    }

    static void getHexStringBytes (String s) {
        StringBuilder sb = new StringBuilder();
        byte[] s1Bytes = s.getBytes(StandardCharsets.UTF_8);
        for (int i = 0; i < s1Bytes.length; i++) {
            sb.append(Integer.toHexString(s1Bytes[i]), 6, 8);
        }
        System.out.println(sb);
    }
}

结果：

20013
4e2d
e4b8ad

可以看到，"中"的char里面存的是整数20013，转成16进制为4e2d，而"中"用utf-8编码的16进制则是e4b8ad。那么有两个问题，这个4e2d是什么？4e2d又跟e4b8ad有什么联系呢？
查询unicode字符百科

可以看到4e2d是汉字"中"的unicode编号，那么我们现在就弄懂第一个问题了，char中存的是unicode编号，从下图中也可以看到，目前各个国家的文字的unicode编号基本上都在FFFF以下，也就是两字节的char也足够表达所有国家的常用字符了。我们中文在4E00—9FFF之间。

那么现在开始研究第二个问题，unicode编号跟utf-8编码有什么联系呢？通过百度百科我们查到utf-8的编码格式如下

字节	格式	实际编码位	码点范围
1字节	0xxxxxxx	7	0 ~ 127
2字节	110xxxxx 10xxxxxx	11	128 ~ 2047
3字节	1110xxxx 10xxxxxx 10xxxxxx	16	2048 ~ 65535
4字节	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx	21	65536 ~ 2097151

其中表格中xxx的部分就是unicode编号的二进制替换，还是拿"中"作例子，"中"的unicode编号是20013，也就是说它的码点范围是2048~65535，所以它采用三字节编码，其实我们前面提到过，中文在4E00—9FFF之间，对应的十进制是19968-40959，所以中文的utf-8编码全部都是三字节。
20013的二进制为：0100 1110 0010 1101，把这个二进制代入到1110xxxx 10xxxxxx 10xxxxxx中，将xxx替换，则是11100100 10111000 10101101，换成16进制则是：e4b8ad，正好就是"中"的utf-8编码。现在我们懂了只要我们知道了unicode编号，那么我们就能通过这个unicode编号转成对应的utf-8编码。

'中'的二进制          0100   111000   101101
三字节模板        1110xxxx 10xxxxxx 10xxxxxx
------------------------------------------------ 
合并后的二进制    11100100 10111000 10101101
------------------------------------------------    
转成16进制           e   4    b   8    a   d

三、补充

1. unicode编号并不等价于unicode编码，unicode编码并不是只有utf-8，只是我们最常用的是utf-8，所以本文仅讨论了utf-8。
2. 另一中常用的编码格式gbk，中文编码是两字节。这个编码格式是我们国家自己定义的，跟unicode编号就一点关系都没有了。