Java字符串“hello”在getBytes（“UTF16”）时有12个字节？

Question

我预计，当一个java字符存储为“UTF-16”时，每个字符使用2个字节，所以“hello”应该使用10个字节，但以下代码：

String h = "hello";
System.out.println(new String(h.getBytes("UTF-16"), "UTF-16").length());
System.out.println(new String(h.getBytes("UTF-8"), "UTF-8").getBytes("UTF-16").length);

将打印“5 12”

我的问题是：

（1）我希望第一个println应该像我提到的那样得到“10”。但为什么是5

（2）对于第二个println，我试图获取字节，首先是“UTF-8”，然后是“UTF-16”。我想也应该是10。但实际上是12

我用的是MAC电脑，我所在的地区是香港。你能解释一下节目中发生了什么，以及“512”是如何产生的吗

非常感谢

Answer 1

(1) I expected that the first println should get "10" as I mentioned. But why 5?

取一个5个字符的字符串，使用UTF-16编码将其编码为字节
然后通过（正确地）解码UTF-16中的字节来创建一个新字符串，这将再次生成一个由原来的5个字符组成的新字符串

(2) For the second println, I am trying to getBytes for it first as "UTF-8" then as "UTF-16". I suppose it should also be 10. But actually it's 12.

这部分代码：

    new String(h.getBytes("UTF-8"), "UTF-8")

实际上是不可操作的。复制字符串是一种相当昂贵的方法。使用UTF-8作为编码方案将字符串编码为字节，然后通过解码UTF-8编码的字节来创建新字符串

因此，有效地说，你正在这样做：

    "hello".getBytes("UTF-16").length

额外2字节的原因是UTF-16编码将BOM（字节顺序标记）作为第一个（2字节）代码单元

有关更多信息，请阅读"UTF-8, UTF-16, UTF-32 & BOM"上的Unicode常见问题解答

Answer 2

I expected that the first println should get "10" as I mentioned. But why 5?

您是在String上调用length()，而不是在byte[]上调用。因此，这将为您提供字符中字符串的长度（至少只要我们停留在Unicode基本多语言平面上，当您有需要可变长度编码的字符时，即使在UTF-16中，这也会很不幸地发生故障）

一旦你有了一个字符串，用什么编码来创建它就无关紧要了length总是以字符的形式给出

如果您使用UTF-16将其转换为byte[]，您可能会理所当然地预期10（对于五个字符乘以每个两个字节）实际上是12，这是因为包含了字节顺序标记