java为什么UTF8的新字符串包含更多字节

Question

byte bytes[] = new byte[16];
random.nextBytes(bytes);
try {
   return new String(bytes, "UTF-8");
} catch (UnsupportedEncodingException e) {
   log.warn("Hash generation failed", e);
}

当我用给定的方法生成一个字符串时，当我应用string.getBytes().length时，它会返回一些其他值。麦克斯32岁。为什么16字节数组最终会生成另一个大小的字节字符串

但如果我这样做string.length()，它会返回16

Answer 1

生成的字节可能包含有效的多字节字符

以此为例。字符串只包含一个字符，但作为字节表示，它需要三个字节

String s = "Ω";
System.out.println("length = " + s.length());
System.out.println("bytes = " + Arrays.toString(s.getBytes("UTF-8")));

String.length()返回字符串的长度（以字符为单位）。字符Ω是一个字符，而在UTF-8中是一个3字节长的字符

如果你像这样修改代码

Random random = new Random();
byte bytes[] = new byte[16];
random.nextBytes(bytes);
System.out.println("string = " + new String(bytes, "UTF-8").length());
System.out.println("string = " + new String(bytes, "ISO-8859-1").length());

相同的字节用不同的字符集进行解释。在String(byte[] b, String charset)的javadoc之后

The length of the new String is a function of the charset, and hence may
not be equal to the length of the byte array.

Answer 2

经典错误源于对byte和char之间关系的误解，所以我们再来一遍

在byte和char之间没有1对1的映射；这完全取决于所使用的字符编码（在Java中，即^{）

更糟糕的是：给定一个byte序列，它可能或被编码为char序列

试试这个例子：

final byte[] buf = new byte[16];
new Random().nextBytes(buf);

final Charset utf8 = StandardCharsets.UTF_8;
final CharsetDecoder decoder = utf8.newDecoder()
    .onMalformedInput(CodingErrorAction.REPORT);

decoder.decode(ByteBuffer.wrap(buf));

这很可能会引发MalformedInputException

我知道这不完全是一个答案，但你没有清楚地解释你的问题；上面的例子已经表明，你对什么是byte和什么是char有错误的理解

Answer 3

字符串。getBytes（）。length可能更长，因为它计算表示字符串所需的字节数，而length（）计算2字节的代码单位

阅读更多here