一道經典問題
Java裏的char類型能不能存儲一箇中文字符？對於這道題，絕大多數的答案都是“可以存儲”。給出的原因包括：
1. java中的char是unicode存儲，unicode編碼字符集中包含了漢字，所以可以存儲中文；
2. java內部其實是使用的UTF-16的編碼，所以是支持大部分非生僻漢字的；
3. 採用Unicode編碼集，一個char佔用兩個字節，而一箇中文字符也是兩個字節，因此Java中的char是可以表示一箇中文字符的；
4. Java的char只能表示utf16中的BMP部分中文字符，不能表示擴展字符集裏的中文字符；
那麼，這個問題的終極答案到底是什麼？
Java API中關於char的說明
原文地址:https://docs.oracle.com/javase/7/docs/api/java/lang/Character.html
char類型是按照Unicode規範實現的一種數據類型，固定16bit大小。現如今，
Unicode字符集已經進行了擴展，表示的範圍已經超過了16bit。Unicode字符集的
數值範圍擴大到了[U+0000,U+10FFFF]。
也就是說一個char能夠存儲16bit大小的數值，即2個字節。但是，就常用的UTF-8編碼來說，我們都聽說過他是用3或者4個字節來表示一個漢字的。就拿3個字節來算的話，一個char也存不下是不是？
我們繼續看api文檔的其他段落：
一個char值可以表示BMP範圍內的Unicode字符。BMP表示[U+0000, U+FFFF]之間的Unicode字符。而且，絕大部分的中文字符的Unicode範圍是[0x4E00, 0x9FBB],恰好是在BMP範圍內。
是不是說這裏出現了破解不了的矛盾呢？UTF-8佔用3到4個字節，char只能存2個字節（16bit），然而UTF-8中的幾乎所有漢字都是在BMP範圍內，也就是在char可存儲的範圍內，是不是矛盾了？
答案是不矛盾！關鍵點就在於接下來給出總結的第一條！
這裏先給出總結，後續再給出解釋：
1.char字符存儲的是Unicode編碼的代碼點，也就是存儲的是U+FF00這樣的數值，然而我們在調試或者輸出到輸出流的時候，是JVM或者開發工具按照代碼點對應的編碼字符輸出的。
2. 所以雖然UTF-8編碼的中文字符是佔用3個或者4個字節，但是對應的代碼點仍然集中在[0x4E00, 0x9FBB]，所以char是能夠存下在這個範圍內的中文字符的。
3. 但是對於超過16bit的Unicode字符集，也就是Unicode的擴展字符集，一個char是放不下的，需要兩個char才能放下。
Unicode編碼
Unicode的出現是對混亂的ANSI編碼世界的一個大一統，因而也叫做統一碼、萬國碼、單一碼。Unicode編碼把世界上常用的語言字符都進行了統一的編碼，一個數值就代表一個字符，而且世界範圍內公認。
ANSI的編碼世界裏，各中語言有自己的編碼規範，同一個數值在不同的國家代表不同的字符。所以當文字在不同國家傳遞的時候（比如發郵件，看國外網頁），問題就很大了，我明明寫的是“愛我中華”，美國朋友看到的確實”°®ÎÒÖлª”，一定是一臉問號！
//=====模擬文字在不同編碼語言間傳遞的過程=====
//發帖子
String s = "愛我中華";
//編碼成字節流，通過網絡傳入，或者存儲到文件
byte[] bytes = s.getBytes("GB2312");
System.out.println(s);
//國外朋友用自己電腦的編碼方式解析字節流
String s2 = new String(bytes, "ISO-8859-1");
//oh！ shit, wtf!
System.out.println(s2);有了Unicode這個統一編碼之後，全世界的計算機都能正確的解析到原始的字符，對於國內的文字信息，國外的朋友唯一要做的就是懂中文！
UTF-8只是Unicode編碼的一種編碼轉換規範，也就是怎麼存儲Unicode代碼點的方案之一。另外還有UTF-16和UTF-32等編碼規範。Unicode爲什麼需要這麼多編碼規範？直接存儲代碼點行不行？
當然不行，存儲了就需要解析比如”漢字”兩個字的Unicode代碼點是“0x6c49和0x5b57”也就是”6c495b57”。而且，Unicode的代碼點還有3個字節的，比如”10FF3B”,對於一個很長的上述數字串該怎麼解析？比如“10FF3B6c495b57”！
所以，需要某種編碼方案來區分那幾個數值是一個Unicode代碼點，這種方案就是UTF-8、UTF-16、UTF-32這樣的編碼方案。
UTF-8編碼和代碼點對應關係
UTF-8以字節爲單位對Unicode進行編碼。從Unicode到UTF-8的編碼方式如下：
| Unicode編碼(十六進制) | UTF-8 字節流(二進制) |
|---|---|
| 000000-00007F | 0xxxxxxx |
| 000080-0007FF | 110xxxxx 10xxxxxx |
| 000800-00FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
| 010000-10FFFF | 11110xxx10xxxxxx10xxxxxx10xxxxxx |
有沒有發現點什麼？當一個字節表示一個字符時，二進制開頭是0；當兩個字節表示一個字符時，二進制開頭是11；當3個字節表示一個字符時，二進制開頭是111；依次類推！
UTF-8編碼加入了多餘的標識位來區分一個Unicode代碼點！纔會出現中文漢字集中在[0x4E00, 0x9FBB]範圍的16bit數值內，UTF-8卻需要3個字節存儲的原因。
另一個經典問題
怎麼判斷Java字符串是否包含中文？這個問題也很經典，一般我們可以查到的方法如下：
//代碼來自HanLP自然語言處理庫，git地址：https://github.com/hankcs/HanLP/blob/master/src/main/java/com/hankcs/hanlp/utility/TextUtility.java
/**
* 判斷某個字符是否爲漢字
*
* @param c 需要判斷的字符
* @return 是漢字返回true，否則返回false
*/
public static boolean isChinese(char c)
{
String regex = "[\\u4e00-\\u9fa5]";
return String.valueOf(c).matches(regex);
}//來源地址：https://blog.csdn.net/z69183787/article/details/53162069這裏考慮進了CJK的擴展字符集
// GENERAL_PUNCTUATION 判斷中文的“號
// CJK_SYMBOLS_AND_PUNCTUATION 判斷中文的。號
// HALFWIDTH_AND_FULLWIDTH_FORMS 判斷中文的，號
private static final boolean isChinese(char c) {
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.GENERAL_PUNCTUATION
|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION
|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS) {
return true;
}
return false;
} 總結一下，一般來說用第一種方法就足夠了，擴展字符集用的比較少，另外從HanLP的github星數來說，這種方案的通用度還是可信的。
好了，先到這裏。這裏也留一個坑，mysql數據庫裏邊的VARCHAR類型和Java的char類型是一種處理方式麼？下一篇也會從String源代碼的角度對這裏的分析進行一個佐證。
補充一個在線查看utf-8編碼的網站地址：http://www.mytju.com/classcode/tools/encode_utf8.asp