在不转换为字节 [] 的情况下获取带编码的字符串大小（以字节为单位）

Question

我有一种情况，我需要知道String/编码对的大小（以字节为单位），但不能使用getBytes() 方法，因为1）String 非常大并且复制了String在 byte[] 数组中将使用大量内存，但更重要的是 2) getBytes() 根据 String 的长度分配 byte[] 数组 * 每个字符的最大可能字节数。因此，如果我有一个带有 1.5B 字符和 UTF-16 编码的 String，getBytes() 将尝试分配一个 3GB 数组并失败，因为数组限制为 2^32 - X 字节（X 是特定于 Java 版本的）。

那么 - 有没有办法直接从 String 对象计算 String/编码对的字节大小？

更新：

这是 jtahlborn 回答的一个有效实现：

private class CountingOutputStream extends OutputStream {
    int total;

    @Override
    public void write(int i) {
        throw new RuntimeException("don't use");
    }
    @Override
    public void write(byte[] b) {
        total += b.length;
    }

    @Override public void write(byte[] b, int offset, int len) {
        total += len;
    }
}

Answer 1

简单，只需将其写入虚拟输出流：

class CountingOutputStream extends OutputStream {
  private int _total;

  @Override public void write(int b) {
    ++_total;
  }

  @Override public void write(byte[] b) {
    _total += b.length;
  }

  @Override public void write(byte[] b, int offset, int len) {
    _total += len;
  }

  public int getTotalSize(){
     _total;
  }
}

CountingOutputStream cos = new CountingOutputStream();
Writer writer = new OutputStreamWriter(cos, "my_encoding");
//writer.write(myString);

// UPDATE: OutputStreamWriter does a simple copy of the _entire_ input string, to avoid that use:
for(int i = 0; i < myString.length(); i+=8096) {
  int end = Math.min(myString.length(), i+8096);
  writer.write(myString, i, end - i);
}

writer.flush();

System.out.println("Total bytes: " + cos.getTotalSize());

它不仅简单，而且可能与其他“复杂”答案一样快。

Answer 2

同样使用 apache-commons 库：

public static long stringLength(String string, Charset charset) {

    try (NullOutputStream nul = new NullOutputStream();
         CountingOutputStream count = new CountingOutputStream(nul)) {

        IOUtils.write(string, count, charset.name());
        count.flush();
        return count.getCount();
    } catch (IOException e) {
        throw new IllegalStateException("Unexpected I/O.", e);
    }
}

Answer 3

这是一个明显有效的实现：

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;

public class TestUnicode {

    private final static int ENCODE_CHUNK = 100;

    public static long bytesRequiredToEncode(final String s,
            final Charset encoding) {
        long count = 0;
        for (int i = 0; i < s.length(); ) {
            int end = i + ENCODE_CHUNK;
            if (end >= s.length()) {
                end = s.length();
            } else if (Character.isHighSurrogate(s.charAt(end))) {
                end++;
            }
            count += encoding.encode(s.substring(i, end)).remaining() + 1;
            i = end;
        }
        return count;
    }

    public static void main(String[] args) {
        StringBuilder sb = new StringBuilder();
        for (int i = 0; i < 100; i++) {
            sb.appendCodePoint(11614);
            sb.appendCodePoint(1061122);
            sb.appendCodePoint(2065);
            sb.appendCodePoint(1064124);
        }
        Charset cs = StandardCharsets.UTF_8;

        System.out.println(bytesRequiredToEncode(new String(sb), cs));
        System.out.println(new String(sb).getBytes(cs).length);
    }
}

输出是：

1400
1400

实际上，我会将ENCODE_CHUNK 增加到 10MChars 左右。

可能比 brettw 的答案效率略低，但实现起来更简单。

Answer 4

Guava 有一个根据这个post 的实现：

Utf8.encodedLength()

Answer 5

好吧，这太恶心了。我承认这一点，但是这些东西被 JVM 隐藏了，所以我们必须稍微挖掘一下。还有一点汗水。

首先，我们需要实际的 char[] 来支持 String 而不制作副本。为此，我们必须使用反射来获取“值”字段：

char[] chars = null;
for (Field field : String.class.getDeclaredFields()) {
    if ("value".equals(field.getName())) {
        field.setAccessible(true);
        chars = (char[]) field.get(string); // <--- got it!
        break;
    }
}

接下来您需要实现java.nio.ByteBuffer 的子类。比如：

class MyByteBuffer extends ByteBuffer {
    int length;            
    // Your implementation here
};

忽略所有 getter，实现所有 put 方法，例如 put(byte) 和 putChar(char) 等。在 put(byte) 之类的内部，递增 length 加 1，在 put(byte[]) 内将 length 增加数组长度。得到它？放置的所有内容，您将其大小添加到 length。但是您没有在ByteBuffer 中存储任何内容，您只是在数数并丢弃，因此不会占用任何空间。如果您对put 方法进行断点，您可能会找出您实际需要实现的那些方法。例如，putFloat(float) 可能没有被使用。

现在是大结局，把它们放在一起：

MyByteBuffer bbuf = new MyByteBuffer();         // your "counting" buffer
CharBuffer cbuf = CharBuffer.wrap(chars);       // wrap your char array
Charset charset = Charset.forName("UTF-8");     // your charset goes here
CharsetEncoder encoder = charset.newEncoder();  // make a new encoder
encoder.encode(cbuf, bbuf, true);               // do it!
System.out.printf("Length: %d\n", bbuf.length); // pay me US$1,000,000