Java IO（1）基础知识——字节与字符

　　正所谓怕什么来什么，这是知名的“墨菲定律”。Java基础涵盖各个方面，敢说Java基础扎实的人不是刚毕业的学生，就是工作N年的程序员。工作N年的程序员甚至也不敢人人都说Java基础扎实，甚至精通，往往只是“无他唯熟尔”——熟手而已。

　　IO这块我确实怕，它不难，只有两个方面：输入/输出。但你说它用得多不多，我相信没有你写的并发多，并发往往是处处可见，写着写着就熟了，而IO却往往只是某个模块会涉及，所以也就并不是每个程序员在开发维护自己的模块时都会用到有关IO的API，而碰到的时候常常陷入窘迫，不知道怎么写。

　　我想研究IO这块愿意正是想巩固自己的Java基础，并希望能成为精通Java的那个人。 本文作为Java IO系列的开篇，首先要介绍几个概念：字节与字符。原因在于，Java IO的API分为字节流和字符流，了解什么是字节和字符有助于我们后续IO的理解。

字节（Byte）

　　计算机中存储数据的一个单位。比它小的是位（bit，也叫比特），这是在计算机中数据存储的最小计量单位，1位存放的是二进制的数据0和1，如下所示。

　　当然比字节更大的是KB（千字节），1KB = 1024B，再到后面就是MB（兆字节），1MB = 1024KB，GB、TB……

　　Java中有用于表示字节的数据类型——byte，再次不妨回顾下有关在Java中有关byte的一些知识。

　　前面提到1个字节等于8个二进制位，那么也就是说1个字节能表示的最大数为[0, 255]（闭区间），但是，在Java中byte类型是有符号型的，也就是说在它的最高位是符号位。也就是说除去最高位符号位，还剩下7个二进制位，那么7个二进制所能表示的最大数为[0, 127]，这是正数，加上最高位为1表示负数时，byte型数据类型所能表示的最大数为[-127, 0]，也就是说byte型的数据范围是[-127, 127]，真的是这样吗？错了。上面的分析是错误的。Java中byte型数据类型的取值范围为[-128, 127]。

　　错误的原因是没有考虑到计算机中数值存储的编码问题。所以这又会继续延伸到原码、反码、补码的概念。

• 原码：最高位表示符号位，0表示正数，1表示负数，其余位表示真实数值。前面的错误分析正是将计算机中数值存储定义为了原码，所以才会得到Java中byte型数据类型的取值范围是[-127, 127]。
• 反码：同样最高位表示符号位，正数的反码与原码相同，而负数的反码除符号位外，其余位取反。
• 补码：同样最高位表示符号位，正数的反码与原码相同，而负数的补码除符号位外，其余位取反+1。计算机中数值的存储正是补码。

　　可以通过程序来观察体会，计算机中数值存储是通过补码来存储的。

System.out.println("正数3的二进制原码为：11，其补码与原码相同为：" + Integer.toBinaryString(3));
System.out.println("负数-3的二进制原码为：111，其补码与为（int型占4bytes=32bits,只看最后的3位）：" + Integer.toBinaryString(-3) + "（不信将最后三位补码-1取反得到原码）");

　　通过运算结果可以看到，计算机中的数值确实是以补码方式存储的。

　　在了解了原码、反码、补码，以及知道计算机中数值是以补码方式存储过后，现在回到Java中byte型数据类型的范围上来。就算是以补码方式的存储，可以确定的是在byte型数组中正数（最高位为0）的范围是[0, 127]一共128个数，那么负数（最高位为1）的原码范围则是[-127, -0]，二进制也就是[11111111, 10000000]，注意这是原码，并且这个地方有点冲突，也就是出现了-0这种表示，这显然是不合理的或者说0已经在正数中已经包括了，在这里实际上byte型数组做了一定的处理，也就是把把-0的补码当做了-128，-0的原码是10000000，它的反码则是11111111，它的补码则还是10000000，反码+1过后需要进位，但是最高位表示符号位，所以被挤掉了，总之此时负数的范围则是[-128, 0)，byte型数组的范围则是[-128, 127]。原因是由于-0和0表示的都是0为避免浪费，将-0表示为-128扩大了范围。

　　这一段我们通过字节（Byte）这种表示计算机数据存储的单位，延伸了Java中byte型数据类型的取值范围，进而回顾了计算机中数值存储的编码方式，应该是能更好的理解字节这个概念。下面将介绍什么又是字符。

字符（Char）

　　字符表示文字和符号。人与人之间通过人类语言进行沟通，计算机通过二进制来进行沟通，当人-计算机-人，中间多了计算机的媒介过后，中间就需要计算机对我们人类的语言符号“编码”进行传输，而计算机-人这个过程又称之为“解码”。这有点类似“加密”“解密”的过程。

　　在计算机刚出现的时候只能传输英文字符，这里的传输包括是显示和存储，前面提到要进行编码存储，既然要编码就需要一张表来表示A是什么，B是什么，就好比摩斯密码中的密码本一样。那时的“码表”也就是编码方式叫做ASCII。

　　

　　计算机继续在发展，需要发展到其他国家和地区，此时就需要对汉字、日文、韩文等进行编码，但原有的ASCII肯定不能满足，它的设计是包括了英文和符号，此时就出现了ANSI编码（也叫做ASCII扩展），这实际上是一种规范，一种本地化的规范编码，例如在中文操作系统中ANSI代表的就是GB2312编码（当然也有它的扩展叫做GBK编码），在日文操作系统中ANSI代表的就是JIS等等。ANSI编码采用2个字节来表示一个字符（范围在0x80-0xFF），两个字节也就是16个二进制位，理论上可以表示216个字符，当然这需要减去0x00-0x79这个范围，这就能表示很多很多的字符了。GB2312编码也就才表示了6000多个常用汉字。不过这种编码方式还是带来了新的问题，这只是做了本地化，也就是说在GB2312的编码环境下，无法对日文进行编码。所以还需要做国际化。

　　随着计算机的继续发展，国际化越来越重要这当然也就包括编码方式的改变，为避免ANSI不兼容的状况，又制定了新的编码规则——UNICODE。在Java中使用的就是UNICODE编码，这符合Java跨平台的特性，这也就解释了Java中char字符的数据类型占用的是2个字节，因为Java使用UNICODE编码，而UNICODE是2个字节表示1个字符。UNICODE解决了不同语言在不同平台不兼容的情况，但也有一个小小的弊端，也就是稍微比前面两种要占空间，以UNICODE字符集在内存中存储的字符串我们称之为为“宽字节字符串”，实际上之后对于字符编码的工作就集中在了如何缩短字节空间上。 这里就着重介绍UNICODE编码，UNICODE编码之所以略占空间，是因为它使用2个字节来表示1个字符。就算是英文也是使用2个字节。而ACSII和ANSI则使用1个字节表示英文。空间的占用就体现在了这个地方，如下图所示。

　　可以看出，这就白白地浪费掉了1个字节的空间，在这里实际上又可以继续延伸出有关计算机基础的知识，也就是在计算机中的数据在内存中的存储方式是大端模式（Big-Endian，也称高字节在前），还是小端模式（Little-Endian，也称低字节在前）。所谓大端模式就是高位字节在内存的低地址端，低位字节在内存的高地址端。而小端模式则是高位字节在内存的高地址端，低位字节在内存的低地址端。上图所示方式就是大端模式，可以看到低位字节跑到了地址的左边也就是高地址端。需要清楚的是Java中采用的是大端模式。

　　继续回到编码上来，由于UNICODE给任意字符都是采用的2个字节表示1个字符，会造成空间浪费，所以在UNICODE编码基础上，又出现了可变长编码的UTF-8编码，这种编码方式会灵活地进行字符的空间分配，不同字符所占用的内存空间不相同，在保证兼容性的同时，也保证了空间的最合理使用。

　　这就是Java IO的基础知识，为的是便于后面Java IO中有关字节流和字符流的更好理解。

这是一个能给程序员加buff的公众号