细说Java中的字符和字符串

Posted 2022-09-24 不去天涯

我们上次在《细说Java中的字符和字符串（一）》说了Java中char和中文字符之间的关系，说明了char能不能存储一个中文字符，以及如何判断Java的字符串是否包含中文字符。
这次再看一下mysql数据库中VARCHAR（N)中的N表示什么，什么会限制N的大小。然后，从Java的String源代码分析一下中文字符在Java字符串里是如何存储的。

#VARCHAR（N）中的N代表什么？
和第一篇类似，我们依旧从官方文档寻找最有权威的答案。我们从这里可以找到VARCHAR（N）中N代表什么的答案：https://dev.mysql.com/doc/refman/8.0/en/storage-requirements.html

由于原文比较长，这里先把关键片段贴一下：

答案就在这段文字里，我们翻译一下原文：VARCHAR 或者VARBINARY类型的列最大可存储的字节数不能超过一行的最大可存储字节数，也就是65535字节。如果VARCHAR类型的列存储的是多字节类型的字符，那么可存储的最大字符数相对就会变少。比如：utf8mb4类型的字符一个字符最大可以占到4个字节，所以一个VARCHAR类型的字段最多可以存储16383个字符（65535/4）。

重点看比如的文字，可以看出来MySQL的VARCHAR（N)中的N代表的是多少个字符（Character），而Character的对于不同的编码又代表什么呢？

一起看一下另一篇MySQL官网文档的内容：https://dev.mysql.com/doc/refman/8.0/en/charset-unicode.html

VARCHAR(N)的N值不论是哪种编码，都对应到了字符级别，也就是这个列可以存下N个字符。MySQL的utf8和Java里的utf8不一样，MySQL的实现里utf8最大只允许存储3个字节。从上一篇我们知道，utf8编码最长有4个字节，那么4个字节的utf8字符MySQL的utf8类型是存不下的。

所以，当需要存储emoji表情符的时候，我们需要用utf8mb4类型的字符集才能存下。MySQL的utf8mb4字符集才能包含全部utf8字符，而MySQL的utf8字符集是一个不完全版本的utf8字符集。

总结一下：MySQL中VARCHAR（N)字段类型里边的N代表最大可以存多少个字。如果选的是中文编码，比如utf8编码，那么N代表最大可以存多少个汉字。

#VARCHAR（N)中的N可以是多大？

N的最大值主要限制因素是MySQL的最大行大小，原文地址在：https://dev.mysql.com/doc/refman/8.0/en/column-count-limit.html。

MySQL的行大小最大不能超过65535bytes，是说MySQL的一行里所有列占用字节数的和不能超过65535bytes。BLOB和TEXT比较特别，他们只占用9个字节大小，真实数据存储在行外。

MySQL的uft8类型最多占3个字节，MySQL允许的最大字符数是21844（65535/3-1），utf8mb4最多占4个字节，所以允许的最大字符数是16382（65535/4-1）。这个数字有一点点偏差，因为VARCHAR类型需要1到2个字节存储length，所以最大字符数可以按照减1计算。

#从Java String分析Java的char和中文的关系

String有三类构造函数，一类是传入byte[]，一类是传入char[]，一类是传入int[]，如下:

public String(byte bytes[], int offset, int length)；//字节流，转成字符串
public String(char value[], int offset, int count)；//字符流，转成字符串。较少用，一般用在双字节编码的字节串转String。
public String(int[] codePoints, int offset, int count);//代码点，转成字符串

String内部数据存储使用的是char[]存储，byte 是8字节，char是16字节，int是32字节。所以byte[]参数的构造函数会把byte[]解析成正确的代码点，也就是int类型，再转换成char[]类型存到String内部。

所以，我们这里只分析int[]类型入参的构造函数，来看一下String是如何把int类型的代码点转成char[]存起来的。从这里，也能看出来一个2个字节的Unicode和一个2个以上字节的Unicode代码点是怎么存到String里的。

    public String(int[] codePoints, int offset, int count) 
		//....
        // Pass 1: 计算int[]转成char[]后的长度
        int n = count;
        for (int i = offset; i < end; i++) 
            int c = codePoints[i];
            if (Character.isBmpCodePoint(c))//如果是BMP范围的代码点，那么计数加1
                continue;
            else if (Character.isValidCodePoint(c))//如果是超出BMP范围的有效代码点，那么计数加2
                n++;
            else throw new IllegalArgumentException(Integer.toString(c));
        

        // Pass 2: 使用int[]的值填充char[]
        final char[] v = new char[n];

        for (int i = offset, j = 0; i < end; i++, j++) 
            int c = codePoints[i];
            if (Character.isBmpCodePoint(c))//如果是BMP范围的代码点，直接加入char[]
                v[j] = (char)c;
            else//如果是超出BMP范围的有效代码点，那么转成2个char，存入char[]
                Character.toSurrogates(c, v, j++);
        

        this.value = v;
    

~~~~~~~~~~~~~~~~~~~~~~~~~ 福利分割线~~~~~~~~~~~~~~~~~~~~~~~~~~~
-长期内推-：头条、快手、美团、阿里、陌陌、当当。有需要的朋友可以发邮件到我的邮箱[e-mail]。