¿Cuál es la codificación de caracteres de String en Java?

Question

Estoy realmente confundido con respecto a la codificación de cadenas en Java. Tengo un par de preguntas. Por favor, ayúdenme si conoce la respuesta:

1) ¿Cuál es la codificación nativa de las cadenas de Java en la memoria? Cuando escribo String a = "Hello", ¿en qué formato se almacenará? Como Java es independiente de la máquina, no creo que el sistema haga la codificación.

2) Leí en la red que "UTF-16" es la codificación predeterminada, pero me confundí porque cuando escribo ese int a = 'c' obtengo el número del carácter en la tabla ASCII. Entonces, ¿son ASCII y UTF-16 lo mismo?

3) Tampoco estaba seguro de qué depende el almacenamiento de una cadena en la memoria: sistema operativo, idioma?

Answer 1

1) Las cadenas son objetos, que normalmente contienen una matriz char y la longitud de las cadenas. La matriz de caracteres generalmente se implementa como una matriz contigua de palabras de 16 bits, cada una con un carácter Unicode en orden de bytes nativo.

2) Asignar un valor de carácter a un entero convierte el código de carácter Unicode de 16 bits en su equivalente entero. Por lo tanto, 'c', que es U + 0063, se convierte en 0x0063, o 99.

3) Como cada String es un objeto, contiene otra información que los miembros de su clase (por ejemplo, palabra de descripción de clase, palabra de bloqueo/semáforo, etc.).

Adendum
El objeto contenidos dependen de la implementación JVM (que determina la sobrecarga inherente asociado con cada objeto), y cómo la clase es en realidad codificada (es decir, algunas bibliotecas pueden ser más eficientes que otros).

Ejemplo
Una implementación típica asignará una sobrecarga de dos palabras por instancia de objeto (para el descriptor de la clase/puntero, y una palabra de control de semáforos/bloqueo); un objeto String también contiene una longitud de int y una referencia de matriz char[]. El contenido de los caracteres reales de la cadena se almacena en un segundo objeto, la matriz char[], que a su vez tiene asignadas dos palabras, más una longitud de matriz, más tantos elementos de char de 16 bits como sea necesario para la cadena (más cualquier carácter adicional que quedaron colgando cuando se creó la cuerda).

adición 2
El caso que uno carbón representa el carácter de uno Unicode sólo es cierto en la mayoría de los casos. Esto implicaría la codificación UCS-2 y verdadera antes de 2005. Pero ahora Unicode se ha hecho más grande y las cadenas deben codificarse usando UTF-16, donde un único carácter Unicode puede usar doschar s en Java String.

Eche un vistazo al código fuente real para la implementación de Apache, p. at:
http://www.docjar.com/html/api/java/lang/String.java.html

Answer 2

1. Java almacena cadenas como UTF-16 internamente.

2. "codificación predeterminada" no es del todo correcto. Java almacena cadenas como UTF-16 internamente, pero la codificación utilizada externamente, la "codificación predeterminada del sistema", varía de una plataforma a otra e incluso puede modificarse mediante variables de entorno en algunas plataformas.

   ASCII es un subconjunto de Latin 1 que es un subconjunto de Unicode. UTF-16 es una forma de codificar Unicode. Por lo tanto, si realiza su prueba int i = 'x' para cualquier carácter que se encuentre en el rango ASCII, obtendrá el valor ASCII. Sin embargo, UTF-16 puede representar muchos más caracteres que ASCII.

3. Desde el java.lang.Character docs:

   La plataforma Java 2 utiliza la representación UTF-16 en arrays de char y en las clases String y StringBuffer.

   Por lo tanto, se define como parte de la plataforma Java 2 que UTF-16 se utiliza para estas clases.

Answer 3

Si bien esto no responde a su pregunta, merece la pena señalar que ... En el código de bytes de Java (archivo de clase), la cadena se almacena en UTF-8. http://java.sun.com/docs/books/jvms/second_edition/html/ClassFile.doc.html

Answer 4

Editar: gracias al jefe de carga por ayudarme a corregir mi respuesta :)

1) Todo el procesamiento de cuerda interna se hace en UTF-16.

2) ASCII es un subconjunto de UTF-16.

3) Internamente en Java es UTF-16. Por lo demás, depende de dónde estés, sí.