Java 与 C 中的字符大小答案

【问题标题】：Character size in Java vs. CJava 与 C 中的字符大小
【发布时间】：2012-03-10 08:57:39
【问题描述】：

为什么 Java 中的字符存储空间是 C 中字符的两倍？

【问题讨论】：

Java 的功能是 C++ 的两倍，而力量必须来自某个地方......
@KerrekSB 但它可以有 256 倍的字符。 ;)

【解决方案1】：

Java 是一种现代语言，出现在Unicode 时代早期（90 年代初），因此它默认支持 Unicode 作为一等公民像许多新的当代语言（如 Python、Visual Basic 或 JavaScript...）、操作系统（Windows、Symbian、BREW...）和框架/接口/规范...（如 Qt、NTFS ，朱丽叶）。在设计这些代码时，Unicode 是一个固定 16 位字符集，以UCS-2 编码，因此对他们使用 16 位字符值是有意义的

相比之下，C 是一种“古老”的语言，它比 Java 早了几十年发明，当时 Unicode 还远未出现。那是 7 位 ASCII 和 8 位 EBCDIC 的时代，因此 C 使用 8 位 char¹ 作为 足以让 char 变量包含所有基本字符 .来到 Unicode 时代，为了避免破坏旧代码，他们决定在 C90 中引入不同的字符类型，即wchar_t。再次，这是 90 年代 Unicode 开始它的生命。在任何情况下，char 必须继续使用旧大小，因为即使使用更宽的字符，您仍然需要访问单个字节（Java 有一个单独的 byte 类型用于此目的）

当然，后来 Unicode 联盟很快意识到 16 位是不够的，必须以某种方式修复它。他们通过将 UCS-2 更改为 UTF-16 来扩大代码点范围，以避免破坏使用 wide char 并将 Unicode 作为 21 位字符集（实际上高达 U+10FFFF instead of U+1FFFFF because of UTF-16）的旧代码。不幸的是，为时已晚，使用 16 位字符的旧实现卡住了

后来我们看到了UTF-8的出现，它被证明远优于UTF-16，因为它独立于字节序，通常占用更少的空间，最重要的是它不需要更改标准C字符串功能。大多数收到char* 的用户函数将在没有特殊Unicode 支持的情况下继续工作

Unix 系统很幸运，因为它们后来在引入 UTF-8 时迁移到 Unicode，因此继续使用 8 位字符。 OTOH 默认情况下，所有现代 Win32 API 都在 16 位 wchar_t 上工作，因为 Windows 也是 Unicode 的早期采用者。因此，.NET 框架和 C# 也采用相同的方式，将 char 作为 16 位类型。

谈到wchar_t，它是如此不可移植，以至于C 和C++ 标准都需要在其2011 年的修订版中引入新的字符类型char16_t and char32_t

C 和 C++ 都在各自标准的 2011 年修订版中引入了固定大小的字符类型 char16_t 和 char32_t，以提供 16 位和 32 位 Unicode 转换格式的明确表示，让 wchar_t 实现定义

https://en.wikipedia.org/wiki/Wide_character#Programming_specifics

也就是说，大多数实现都在努力改善宽字符串的情况。 Java 在 Java 6 中试验了compressed string，并在 Java 9 中引入了compact strings。与 3.3 之前的 Python 中的wchar_t* 相比，Python 正在向more flexible internal representation 移动。 Firefox 和 Chrome 对简单字符串有单独的内部 8 位字符表示。 .NET framework 也有关于此的讨论。而最近 Windows 正在逐步引入UTF-8 support for the old ANSI APIs

¹ 严格来说，C 中的char 只需要至少 8 位。见What platforms have something other than 8-bit char?

【讨论】：

【解决方案2】：

Java char 是 UTF-16 编码的 Unicode 代码点，而 C 在大多数情况下使用 ASCII 编码。

【讨论】：

我想我会简化措辞，但你是对的。 'A unicode char' 这是错误的。编辑了回复。

【解决方案3】：

由于Java使用Unicode，C一般默认使用ASCII。

Unicode 编码有多种风格，但 Java 使用 UTF-16，每个字符使用一个或两个 16 位 代码单元。 ASCII 总是每个字符使用一个字节。

【讨论】：

UTF-16 不“每个字符使用两个字节”。
抱歉，每个字符“至少”两个字节。

【解决方案4】：

Java 中的字符是 16 位的，而 C 中的字符是 8 位的。

一个更普遍的问题是为什么会这样？

要找出为什么您需要查看历史并就该主题得出结论/意见。

当 C 在美国开发时，ASCII 是相当标准的，你只需要 7 位，但使用 8 位你也可以处理一些非 ASCII 字符。这似乎绰绰有余。许多基于文本的协议，如 SMTP（电子邮件）、XML 和 FIX，仍然只使用 ASCII 字符。电子邮件和 XML 编码非 ASCII 字符。二进制文件、套接字和流仍然只有 8 位字节。

顺便说一句：C 可以支持更宽的字符，但这不是普通的char

在开发 Java 时，16 位似乎足以支持大多数语言。从那时起，unicode 已扩展到 65535 以上的字符，Java 不得不添加对 UTF-16 字符的代码点的支持，并且可以是一个或两个 16 位字符。

因此，将byte 设置为一个字节，将char 设置为一个无符号的 16 位值在当时是有意义的。

顺便说一句：如果您的 JVM 支持 -XX:+UseCompressedStrings，它可以使用字节而不是字符来表示仅使用 8 位字符的字符串。

【讨论】：

嗯，现在更像了 :) +1
准确地说，在 C 中它们是至少 8位的。
@Zenzen 我想在有人结束问题之前得到答案。 ;)

【解决方案5】：

Java 2 平台在 char 数组中使用 UTF-16 表示，并且在 String 和 StringBuffer 类中。

【讨论】：