Unicode 是一个字符集标准，它为世界上几乎所有的字符都分配了一个唯一的数字码点，汉字作为 Unicode 的一部分，自然也有其对应的码点。
（图片来源网络，侵删）
在 Java 中，处理汉字主要有以下几个方面：
- Java 内部如何表示汉字：使用 UTF-16 编码。
- 汉字的 Unicode 码点：如何获取和使用。
- 汉字的输入与输出：处理源代码文件、控制台、文件读写。
- 常用操作：判断、拆分、统计长度等。
Java 内部表示：UTF-16 编码
这是理解 Java 字符处理的核心。
-
基本多语言平面：Unicode 的前 65536 个字符（从
U+0000到U+FFFF）被称为 BMP。绝大多数常用的汉字都位于 BMP 平面内，这些字符在 Java 中用一个char类型（16位）就可以表示。- 汉字 "中" 的 Unicode 码点是
U+4E2D，在 Java 中可以用一个char变量存储：char c = '中';。
- 汉字 "中" 的 Unicode 码点是
-
辅助平面：超过 BMP 平面的字符（从
U+10000开始）被称为辅助平面字符，这些字符在 Java 中需要用两个char来表示，这被称为“代理对”（Surrogate Pair）。
（图片来源网络，侵删）一些生僻字、表情符号等，虽然不常见于普通汉字，但了解这一点很重要。
对于绝大多数日常应用,你可以认为一个 Java char 就代表一个汉字，但在处理可能包含生僻字或特殊符号的文本时，需要意识到一个“逻辑字符”可能由两个 char 组成。
汉字的 Unicode 码点
在 Java 中，你可以通过多种方式获取和使用汉字的 Unicode 码点。
1 使用转义序列 \u
在 Java 源代码中，你可以直接使用 Unicode 转义序列来表示汉字。
public class UnicodeExample {
public static void main(String[] args) {
// \u4e2d 是 "中" 的 Unicode 码点
char zhong = '\u4e2D'; // 注意：转义序列不区分大小写，但通常使用大写
System.out.println(zhong); // 输出: 中
// 也可以用在字符串中
String hello = "\u4F60\u597D\u4E16\u754C"; // 你好世界
System.out.println(hello); // 输出: 你好世界
}
}
2 获取字符的码点：char 和 codePointAt()
- 对于 BMP 字符，可以直接将
char强转为int得到其码点值。 - 更通用的方法是使用
String.codePointAt()或Character.codePointAt()，它们能正确处理辅助平面字符。
public class CodePointExample {
public static void main(String[] args) {
String str = "你好";
// 方法1: 强转 (仅适用于BMP字符)
char n = str.charAt(0); // '你'
int codePointOfNi = (int) n;
System.out.println("'你'的码点 (int转换): " + codePointOfNi); // 输出: 20320
// 方法2: 使用 codePointAt() (推荐，更通用)
int codePointYou = str.codePointAt(0); // '你'
int codePointHao = str.codePointAt(1); // '好'
System.out.println("'你'的码点 (codePointAt): " + codePointYou); // 输出: 20320
System.out.println("'好'的码点 (codePointAt): " + codePointHao); // 输出: 22909
// 码点通常用十六进制表示，更符合Unicode习惯
System.out.printf("'你'的码点 (十六进制): U+%04X%n", codePointYou); // 输出: U+4F60
System.out.printf("'好'的码点 (十六进制): U+%04X%n", codePointHao); // 输出: U+597D
}
}
汉字的输入与输出（编码问题）
这是 Java 开发中最常见的问题，即乱码问题，乱码的根本原因是编码和解码时使用的字符集不一致。
1 源代码文件编码
确保你的 Java 源文件（.java）是使用 UTF-8 编码保存的，现代的 IDE（如 IntelliJ IDEA, Eclipse）和新版本的 JDK 默认都支持 UTF-8，如果源文件编码是 GBK 等其他编码，直接在字符串中写的汉字可能会被编译器错误解析。
2 控制台输出
控制台能否正确显示汉字,取决于你的操作系统和终端的编码设置。
-
Windows: 默认是 GBK，如果你使用 UTF-8 编码编译程序，直接输出到控制台可能会乱码，可以在程序中设置控制台输出编码为 UTF-8：
public class ConsoleOutput { public static void main(String[] args) { // 在 Windows 上，设置控制台输出编码为 UTF-8 System.setProperty("file.encoding", "UTF-8"); // 重定向标准输出流 try { System.setOut(new PrintStream(System.out, true, "UTF-8")); } catch (UnsupportedEncodingException e) { e.printStackTrace(); } System.out.println("你好，世界！"); // 现在应该能正确显示了 } } -
Linux / macOS: 终端通常默认支持 UTF-8，所以一般不会有问题。
3 文件读写
当读写包含汉字的文本文件时,必须显式指定字符集。
错误示范（会产生乱码）：
// FileReader 和 FileWriter 默认使用系统默认字符集（在中文Windows上是GBK）
// 如果文件是UTF-8编码，这里读出来的就是乱码
try (FileReader fr = new FileReader("test.txt");
BufferedReader br = new BufferedReader(fr)) {
String line = br.readLine();
System.out.println(line); // 可能乱码
} catch (IOException e) {
e.printStackTrace();
}
正确示范（使用 InputStreamReader 和 OutputStreamWriter）：
import java.io.*;
public class FileReadWrite {
public static void main(String[] args) {
String content = "这是要写入文件的内容。";
String filePath = "test_utf8.txt";
// 1. 写入文件（指定UTF-8编码）
try (FileOutputStream fos = new FileOutputStream(filePath);
OutputStreamWriter osw = new OutputStreamWriter(fos, "UTF-8");
BufferedWriter bw = new BufferedWriter(osw)) {
bw.write(content);
System.out.println("文件写入成功。");
} catch (IOException e) {
e.printStackTrace();
}
// 2. 读取文件（指定UTF-8编码）
try (FileInputStream fis = new FileInputStream(filePath);
InputStreamReader isr = new InputStreamReader(fis, "UTF-8");
BufferedReader br = new BufferedReader(isr)) {
String line = br.readLine();
System.out.println("从文件读取的内容: " + line); // 正确显示
} catch (IOException e) {
e.printStackTrace();
}
}
}
最佳实践：从 Java 7 开始，推荐使用 Files 类和 StandardCharsets 枚举，它更简洁、更安全。
import java.nio.charset.StandardCharsets;
import java.nio.file.*;
public class ModernFileReadWrite {
public static void main(String[] args) throws IOException {
String content = "使用 N.IO 写入文件。";
Path path = Paths.get("test_nio.txt");
// 写入
Files.write(path, content.getBytes(StandardCharsets.UTF_8));
// 读取
String readContent = Files.readString(path, StandardCharsets.UTF_8);
System.out.println("从文件读取的内容 (N.IO): " + readContent);
}
}
常用操作
1 判断一个字符是否为汉字
汉字在 Unicode 中的码点范围大致在 U+4E00 到 U+9FFF 之间（CJK 统一汉字），还有扩展区等，但这个范围覆盖了绝大多数常用字。
public class IsChineseCharacter {
public static boolean isChinese(char c) {
// 基本汉字范围
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B
|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION
|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS
|| ub == Character.UnicodeBlock.GENERAL_PUNCTUATION) {
return true;
}
return false;
}
// 更简单的方法（针对基本汉字区）
public static boolean isSimpleChinese(char c) {
// \u4e00 - \u9fff 是基本汉字区
return c >= '\u4E00' && c <= '\u9FFF';
}
public static void main(String[] args) {
char c1 = '汉';
char c2 = 'A';
char c3 = '。'; // 中文标点
System.out.println(c1 + " 是汉字吗? " + isChinese(c1)); // true
System.out.println(c2 + " 是汉字吗? " + isChinese(c2)); // false
System.out.println(c3 + " 是汉字吗? " + isChinese(c3)); // true (因为包含了标点符号区)
System.out.println(c1 + " 是基本汉字吗? " + isSimpleChinese(c1)); // true
System.out.println(c3 + " 是基本汉字吗? " + isSimpleChinese(c3)); // false
}
}
2 正确计算字符串长度（包含汉字）
String.length() 方法返回的是 char 的数量，而不是“逻辑字符”的数量，对于包含辅助平面字符的字符串，这个值会不准确，对于纯汉字（BMP）字符串，它虽然能得到正确的字符数，但最佳实践是使用 codePointCount()。
public class StringLength {
public static void main(String[] args) {
String str = "Hello世界!";
// char 数量
int charLength = str.length();
System.out.println("char 数量: " + charLength); // 输出: 8
// 逻辑字符数量 (推荐)
int codePointLength = str.codePointCount(0, str.length());
System.out.println("逻辑字符数量: " + codePointLength); // 输出: 7 (H,e,l,l,o,世,界,!)
}
}
3 拆分字符串（按“字”而不是按 char）
同样,如果字符串包含辅助平面字符，用 charAt() 遍历会出错，应该使用 codePoints() 方法。
public class StringIteration {
public static void main(String[] args) {
String str = "Java你好";
// 错误的方式（对于辅助平面字符会出问题）
System.out.println("--- 按char遍历 ---");
for (int i = 0; i < str.length(); i++) {
char c = str.charAt(i);
System.out.println(c);
}
// 输出:
// J
// a
// v
// a
// 你
// 好
// 正确的方式（按逻辑字符遍历）
System.out.println("\n--- 按逻辑字符 (codePoint) 遍历 ---");
str.codePoints().forEach(cp -> {
// 将码点转换回字符
System.out.println((char)cp);
});
// 输出和上面一样，但这种方法更健壮
}
}
| 场景 | 关键点 | 推荐方法 |
|---|---|---|
| 内部表示 | Java 使用 UTF-16，一个 char 通常对应一个汉字。 |
了解即可，代码中直接使用 char 或 String。 |
| 获取码点 | 将汉字转为其数字标识。 | String.codePointAt() 或 (int)char。 |
| 源代码 | 确保文件编码为 UTF-8。 | IDE 设置，或使用 javac -encoding UTF-8。 |
| 控制台 | 避免乱码，确保编码一致。 | Windows 下可设置 System.setProperty("file.encoding", "UTF-8")。 |
| 文件读写 | 必须显式指定字符集！ | 使用 InputStreamReader/OutputStreamWriter 或 Files 类，并指定 StandardCharsets.UTF_8。 |
| 判断汉字 | 检查字符是否在 Unicode 的汉字区块内。 | Character.UnicodeBlock.of(c) 或简单的码点范围判断。 |
| 计算长度 | 区分 char 数量和逻辑字符数量。 |
使用 String.codePointCount()。 |
| 遍历字符 | 正确处理所有 Unicode 字符，包括辅助平面。 | 使用 String.codePoints().forEach()。 |
掌握这些要点,你就可以在 Java 中游刃有余地处理汉字了。编码一致是避免乱码的核心。
