有關字符編碼學習記錄

Surrogate 這個概念，不是來自 Java 語言，而是來自 Unicode 編碼方式之一 UTF-16 。
具體請見： UTF-16
簡而言之，Java 語言內部的字符信息是使用 UTF-16 編碼。因為，char 這個類型是 16-bit 的。它能夠有65536種取值，即65536個編號，每個編號能夠表明1種字符。可是，Unicode 包含的字符已經遠遠超過65536個。那，編號大於65536的，還要用 16-bit 編碼，該怎麼辦？於是，Unicode 標準制定組想出的辦法就是，從這65536個編號裏，拿出2048個，規定它們是「Surrogates」，讓它們兩個為一組，來表明編號大於65536的那些字符。
更具體地，編號為 U+D800 至 U+DBFF 的規定為「High Surrogates」，共1024個。編號為 U+DC00 至 U+DFFF 的規定為「Low Surrogates」，也是1024個。它們兩兩組合出現，就又能夠多表示1048576種字符。
做者：圓月亮
連接：https://www.zhihu.com/question/42176549/answer/93852738
來源：知乎著做權歸做者全部。商業轉載請聯繫做者得到受權，非商業轉載請註明出處。

 

public static void main(String[] args) throws UnsupportedEncodingException {
    String str = null;
    str = "中";
    System.out.println(str.getBytes("GBK").length);     // 2
    System.out.println(str.getBytes("UTF-8").length);   // 3
    System.out.println(str.getBytes("UNICODE").length); // 4
    System.out.println(str.getBytes("UTF-16").length);  // 4

    str = "b";
    System.out.println(str.getBytes("GBK").length);     // 1
    System.out.println(str.getBytes("UTF-8").length);   // 1
    System.out.println(str.getBytes("UNICODE").length); // 4
    System.out.println(str.getBytes("UTF-16").length);  // 4

    System.out.println(0xD800 + "-" + 0xDBFF);
    System.out.println(0xDC00 + "-" + 0xDFFF);

    // Character.codePointAt();
}

 

浙中文字符反轉義

<dependency>
    <groupId>org.kie.modules</groupId>
    <artifactId>org-apache-commons-lang3</artifactId>
    <version>6.5.0.Final</version>
</dependency>

String s3 = StringEscapeUtils.unescapeHtml4("浙江 绍兴");
System.out.println(s3);