¿Tiene un carácter 1 byte o 2 bytes en Java?

Question

Pensé que los caracteres en Java son 16 bits como se sugiere en java doc. ¿No es el caso de las cadenas? Tengo un código que almacena un objeto en un archivo:

public static void storeNormalObj(File outFile, Object obj) { 
    FileOutputStream fos = null; 
    ObjectOutputStream oos = null; 
    try { 
     fos = new FileOutputStream(outFile); 
     oos = new ObjectOutputStream(fos); 
     oos.writeObject(obj); 
     oos.flush(); 
    } catch (IOException e) { 
     e.printStackTrace(); 
    } finally { 
     try { 
      oos.close(); 
      try { 
       fos.close(); 
      } catch (Exception e) { 
       e.printStackTrace(); 
      } 
     } catch (Exception e) { 
      e.printStackTrace(); 
     } 
    } 
} 

Básicamente, he tratado de almacenar una cadena "abcd" en presentar "output", cuando abrí output con un editor y eliminado la parte cadena ninguno, lo que queda es solo la cadena "abcd", que tiene 4 bytes en total. Alguien sabe por qué? ¿Java automáticamente ahorra espacio utilizando ASCII en lugar de UNICODE para cadenas que pueden ser compatibles con ASCII? Gracias

Answer 1

(creo que por "ninguna parte de cadena" se refiere a los bytes que emite ObjectOutputStream cuando lo crea. No quiero usar ObjectOutputStream, pero no sé cuáles son sus requisitos.)

Solo FYI, Unicode y UTF-8 no son lo mismo. Unicode es un estándar que especifica, entre otras cosas, qué caracteres están disponibles. UTF-8 es una codificación de caracteres que especifica cómo estos caracteres se codificarán físicamente en 1s y 0s. UTF-8 puede usar 1 byte para ASCII (< = 127) y hasta 4 bytes para representar otros caracteres Unicode.

UTF-8 es un superconjunto estricto de ASCII. Por lo tanto, incluso si especifica una codificación UTF-8 para un archivo y le escribe "abcd", contendrá solo esos cuatro bytes: tienen la misma codificación física en ASCII que en UTF-8.

Su método utiliza ObjectOutputStream que en realidad tiene una codificación significativamente diferente de ASCII o UTF-8! Si usted lee el Javadoc con cuidado, si obj es una cadena y ya se ha producido en la corriente, las llamadas posteriores a writeObject causarán una referencia a la cadena anterior a ser emitida, que puede causar muchos menos bytes que se escriben en el caso de las cadenas repetidas .

Si usted es serio sobre la comprensión de esto, que realmente debería pasar una buena cantidad de tiempo leyendo acerca de Unicode y los sistemas de codificación de caracteres. Wikipedia tiene un excelente artículo sobre Unicode como punto de partida.

Answer 2

Sí, el char sólo es Unicode en el contexto del entorno de ejecución de Java. Si desea escribir usando codificación de 16 bits, use un FileWriter.

FileWriter outputStream = null; 

    try { 
     outputStream = new FileWriter("myfilename.dat"); 

     int c; 
     while ((c = inputStream.read()) != -1) { 
      outputStream.write(c); 
     } 
    } finally { 
     if (outputStream != null) { 
      outputStream.close(); 
     } 
    } 

Answer 3

Si nos fijamos en la fuente de la cadena, se notará que se llama DataOutput.writeUTF a escribir cadenas. Y si lo lee, descubrirá que está escrito como "UTF-8 modificado". Los detalles son largos, pero si no usa ascii no de 7 bits, sí, tomará un byte. Si desea que los detalles sangrientos miren el javadoc EXTREMADAMENTE largo en DataOutput.writeUTF()

Answer 4

Entonces qué se puede esperar de un archivo 16*4=64 bits = 8 bytes? Más que codificación UTF-8 o ASCII. Una vez que el archivo se escribe en un archivo. La gestión de la memoria (en términos de espacio) depende del sistema operativo. Y su código no tiene control sobre él.

Answer 5

Usted puede estar interesado en saber que hay una opción -XX:+UseCompressedStrings en Java versión de actualización 21 de rendimiento y después. Esto permite voluntad cadena a utilizar un byte[] para las cadenas que no necesitan un char[]

A pesar de la Java Hotspot VM Options guía que sugiere que puede ser activado de forma predeterminada, esto puede ser sólo para las versiones de rendimiento. Solo parece funcionar para mí si lo enciendo de forma explícita.