20-String和编码

Posted 2020-11-11 年小猫

StringJava的String和char在内存中总是以Unicode编码表示。
在Java中，String是一个引用类型，它本身也是一个class。Java编译器对String有特殊处理，即可以直接用"..."来表示一个字符串，字符串在String内部是通过一个char[]数组表示的。Java字符串的一个重要特点就是字符串不可变。这种不可变性是通过内部的private final char[]字段，以及没有任何修改char[]的方法实现的。
String s1 = "Hello!";
String s2 = new String(new char[] {\'H\', \'e\', \'l\', \'l\', \'o\', \'!\'});

字符串比较
当我们想要比较两个字符串是否相同时，必须使用equals()方法而不能用==，要忽略大小写比较，使用equalsIgnoreCase()方法。
public class Main {
    public static void main(String[] args) {
        String s1 = "hello";
        String s2 = "HELLO".toLowerCase();
        System.out.println(s1 == s2);
        System.out.println(s1.equals(s2));
    }
}

String类中搜索子串
// 是否包含子串:
"Hello".contains("ll"); // true

注意：contains()方法的参数是CharSequence（字符序列）而不是String，因为CharSequence是String的父类。

方法名称	描述
public boolean contains(String str)	判断指定内容是否存在
public int indexOf(String str)	由前向后查找指定字符串位置，如果超找到了则返回（第一个字母）位置索引，如果找不到返回-1
public int indexOf(String str,int fromIndex)	由指定位置从前向后查找指定字符串的位置，找不到返回-1
public int lastIndexOf(String str)	由后向前查找字符串位置，找不到返回-1
public int lastIndexOf(String str,int fromIndex)	从指定位置由后向前查找字符串位置，找不到返回-1
public boolean startsWith(String prefix)	判断是否以指定的字符开头
public boolean startsWith(String prefix,int toffset)	从指定位置开始判断是否以指定的字符开头
public boolean endWith(String suffix)	判断是否以指定的字符串结尾

提取子串https://www.cnblogs.com/zhangfei/p/5092220.html
public String substring(int beginIndex)
public String substring(int beginIndex, int endIndex)
参数
beginIndex -- 起始索引（包括）, 索引从 0 开始。
endIndex -- 结束索引（不包括）。

"Hello".substring(2); // "llo"
"Hello".substring(2, 4);// "ll"

去除首尾空白字符
使用trim()方法可以移除字符串首尾空白字符。空白字符包括空格，\\t，\\r，\\n：
"  \\tHello\\r\\n ".trim(); // "Hello"//trim()并没有改变字符串的内容，而是返回了一个新字符串。

另一个strip()方法也可以移除字符串首尾空白字符。它和trim()不同的是，类似中文的空格字符\\u3000也会被移除：
"\\u3000Hello\\u3000".strip(); // "Hello"
" Hello ".stripLeading(); // "Hello " 前面
" Hello ".stripTrailing(); // " Hello"后面

String还提供了isEmpty()和isBlank()来判断字符串是否为空和空白字符串：
"".isEmpty(); // true，因为字符串长度为0
"  ".isEmpty(); // false，因为字符串长度不为0
"  \\n".isBlank(); // true，因为只包含空白字符
" Hello ".isBlank(); // false，因为包含非空白字符

替换子串
要在字符串中替换子串，有两种方法。根据字符或字符串替换，或通过正则表达式替换
String s = "hello";
s.replace(\'l\', \'w\'); // "hewwo"，所有字符\'l\'被替换为\'w\'
s.replace("ll", "~~"); // "he~~o"，所有子串"ll"被替换为"~~"
//正则表达式
String s = "A,,B;C ,D";
s.replaceAll("[\\\\,\\\\;\\\\s]+", ","); // "A,B,C,D"

分割字符串
要分割字符串，使用split()方法，并且传入的也是正则表达式：
String s = "A,B,C,D";
String[] ss = s.split("\\\\,"); // {"A", "B", "C", "D"}

拼接字符串
拼接字符串使用静态方法join()，它用指定的字符串连接字符串数组：
String[] arr = {"A", "B", "C"};
String s = String.join("***", arr); // "A***B***C"

类型转换
要把任意基本类型或引用类型转换为字符串，可以使用静态方法valueOf()
String.valueOf(123); // "123"
String.valueOf(45.67); // "45.67"
String.valueOf(true); // "true"
String.valueOf(new Object()); // 类似java.lang.Object@636be97c

要把字符串转换为其他类型，就需要根据情况。
//整型
int n1 = Integer.parseInt("123"); // 123
int n2 = Integer.parseInt("ff", 16); // 按十六进制转换，255
//把字符串转换为boolean类型：
boolean b1 = Boolean.parseBoolean("true"); // true
boolean b2 = Boolean.parseBoolean("FALSE"); // false

注意：Integer有个getInteger(String)方法，它不是将字符串转换为int，而是把该字符串对应的系统变量转换为Integer
Integer.getInteger("java.version"); // 版本号，11

转换为char[]
String和char[]类型可以互相转换，修改了char[]数组，String并不会改变。
char[] cs = "Hello".toCharArray(); // String -> char[]
String s = new String(cs); // char[] -> String


字符编码
在早期的计算机系统中，为了给字符编码，美国国家标准学会制定了一套英文字母、数字和常用符号的编码，它占用一个字节，编码范围从0到127，最高位始终为0，称为ASCII编码。
将汉字纳入计算机编码，一个字节是不够的。GB2312标准使用两个字节表示一个汉字，其中第一个字节的最高位始终为1，以便和ASCII编码区分开。类似的，日文有Shift_JIS编码，韩文有EUC-KR编码，这些编码因为标准不统一，同时使用，就会产生冲突。
为了统一全球所有语言的编码，全球统一码联盟发布了Unicode编码，它把世界上主要语言都纳入同一个编码，Unicode编码需要两个或者更多字节表示。
英文字符\'A\'的ASCII编码和Unicode编码：
         ┌────┐
ASCII:   │ 41 │
         └────┘
         ┌────┬────┐
Unicode: │ 00 │ 41 │
         └────┴────┘
英文字符的Unicode编码就是简单地在前面添加一个00字节。
中文字符\'中\'的GB2312编码和Unicode编码：
         ┌────┬────┐
GB2312:  │ d6 │ d0 │
         └────┴────┘
         ┌────┬────┐
Unicode: │ 4e │ 2d │
         └────┴────┘

英文字符的Unicode编码高字节总是00，包含大量英文的文本会浪费空间，所以，出现了UTF-8编码，它是一种变长编码，用来把固定长度的Unicode编码变成1～4字节的变长编码。通过UTF-8编码，英文字符\'A\'的UTF-8编码变为0x41，正好和ASCII码一致，而中文\'中\'的UTF-8编码为3字节0xe4b8ad。
UTF-8编码的另一个好处是容错能力强。如果传输过程中某些字符出错，不会影响后续字符，因为UTF-8编码依靠高字节位来确定一个字符究竟是几个字节，它经常用来作为传输编码。

注意：在Java中，char类型实际上就是两个字节的Unicode编码，转换编码后，就不再是char类型，而是byte类型表示的数组。
byte[] b1 = "Hello".getBytes(); // 按ISO8859-1编码转换，不推荐
byte[] b2 = "Hello".getBytes("UTF-8"); // 按UTF-8编码转换
byte[] b2 = "Hello".getBytes("GBK"); // 按GBK编码转换
byte[] b3 = "Hello".getBytes(StandardCharsets.UTF_8); // 按UTF-8编码转换
//已知编码的byte[]转换为String
byte[] b = ...
String s1 = new String(b, "GBK"); // 按GBK转换
String s2 = new String(b, StandardCharsets.UTF_8); // 按UTF-8转换