Java IO（1）基礎知識——字節與字符
正所謂怕什麽來什麽，這是知名的“墨菲定律”。Java基礎涵蓋各個方面，敢說Java基礎紮實的人不是剛畢業的學生，就是工作N年的程序員。工作N年的程序員甚至也不敢人人都說Java基礎紮實，甚至精通，往往只是“無他唯熟爾”——熟手而已。
IO這塊我確實怕，它不難，只有兩個方面：輸入/輸出。但你說它用得多不多，我相信沒有你寫的並發多，並發往往是處處可見，寫著寫著就熟了，而IO卻往往只是某個模塊會涉及，所以也就並不是每個程序員在開發維護自己的模塊時都會用到有關IO的API，而碰到的時候常常陷入窘迫，不知道怎麽寫。
我想研究IO這塊願意正是想鞏固自己的Java基礎，並希望能成為精通Java的那個人。 本文作為Java IO系列的開篇，首先要介紹幾個概念：字節與字符。原因在於，Java IO的API分為字節流和字符流，了解什麽是字節和字符有助於我們後續IO的理解。
字節（Byte）
計算機中存儲數據的一個單位。比它小的是位（bit，也叫比特），這是在計算機中數據存儲的最小計量單位，1位存放的是二進制的數據0和1，如下所示。
當然比字節更大的是KB（千字節），1KB = 1024B，再到後面就是MB（兆字節），1MB = 1024KB，GB、TB……
Java中有用於表示字節的數據類型——byte，再次不妨回顧下有關在Java中有關byte的一些知識。
前面提到1個字節等於8個二進制位，那麽也就是說1個字節能表示的最大數為[0, 255]（閉區間），但是，在Java中byte類型是有符號型的，也就是說在它的最高位是符號位。也就是說除去最高位符號位，還剩下7個二進制位，那麽7個二進制所能表示的最大數為[0, 127]，這是正數，加上最高位為1表示負數時，byte型數據類型所能表示的最大數為[-127, 0]，也就是說byte型的數據範圍是[-127, 127]，真的是這樣嗎？錯了。上面的分析是錯誤的。Java中byte型數據類型的取值範圍為[-128, 127]。
錯誤的原因是沒有考慮到計算機中數值存儲的編碼問題。所以這又會繼續延伸到原碼、反碼、補碼的概念。
- 原碼：最高位表示符號位，0表示正數，1表示負數，其余位表示真實數值。前面的錯誤分析正是將計算機中數值存儲定義為了原碼，所以才會得到Java中byte型數據類型的取值範圍是[-127, 127]。
- 反碼：同樣最高位表示符號位，正數的反碼與原碼相同，而負數的反碼除符號位外，其余位取反。
- 補碼：同樣最高位表示符號位，正數的反碼與原碼相同，而負數的補碼除符號位外，其余位取反+1。計算機中數值的存儲正是補碼。
可以通過程序來觀察體會，計算機中數值存儲是通過補碼來存儲的。
System.out.println("正數3的二進制原碼為：11，其補碼與原碼相同為：" + Integer.toBinaryString(3));
System.out.println(
通過運算結果可以看到，計算機中的數值確實是以補碼方式存儲的。
在了解了原碼、反碼、補碼，以及知道計算機中數值是以補碼方式存儲過後，現在回到Java中byte型數據類型的範圍上來。就算是以補碼方式的存儲，可以確定的是在byte型數組中正數（最高位為0）的範圍是[0, 127]一共128個數，那麽負數（最高位為1）的原碼範圍則是[-127, -0]，二進制也就是[11111111, 10000000]，註意這是原碼，並且這個地方有點沖突，也就是出現了-0這種表示，這顯然是不合理的或者說0已經在正數中已經包括了，在這裏實際上byte型數組做了一定的處理，也就是把把-0的補碼當做了-128，-0的原碼是10000000，它的反碼則是11111111，它的補碼則還是10000000，反碼+1過後需要進位，但是最高位表示符號位，所以被擠掉了，總之此時負數的範圍則是[-128, 0)，byte型數組的範圍則是[-128, 127]。原因是由於-0和0表示的都是0為避免浪費，將-0表示為-128擴大了範圍。
這一段我們通過字節（Byte）這種表示計算機數據存儲的單位，延伸了Java中byte型數據類型的取值範圍，進而回顧了計算機中數值存儲的編碼方式，應該是能更好的理解字節這個概念。下面將介紹什麽又是字符。
字符（Char）
字符表示文字和符號。人與人之間通過人類語言進行溝通，計算機通過二進制來進行溝通，當人-計算機-人，中間多了計算機的媒介過後，中間就需要計算機對我們人類的語言符號“編碼”進行傳輸，而計算機-人這個過程又稱之為“解碼”。這有點類似“加密”“解密”的過程。
在計算機剛出現的時候只能傳輸英文字符，這裏的傳輸包括是顯示和存儲，前面提到要進行編碼存儲，既然要編碼就需要一張表來表示A是什麽，B是什麽，就好比摩斯密碼中的密碼本一樣。那時的“碼表”也就是編碼方式叫做ASCII。
計算機繼續在發展，需要發展到其他國家和地區，此時就需要對漢字、日文、韓文等進行編碼，但原有的ASCII肯定不能滿足，它的設計是包括了英文和符號，此時就出現了ANSI編碼（也叫做ASCII擴展），這實際上是一種規範，一種本地化的規範編碼，例如在中文操作系統中ANSI代表的就是GB2312編碼（當然也有它的擴展叫做GBK編碼），在日文操作系統中ANSI代表的就是JIS等等。ANSI編碼采用2個字節來表示一個字符（範圍在0x80-0xFF），兩個字節也就是16個二進制位，理論上可以表示216個字符，當然這需要減去0x00-0x79這個範圍，這就能表示很多很多的字符了。GB2312編碼也就才表示了6000多個常用漢字。不過這種編碼方式還是帶來了新的問題，這只是做了本地化，也就是說在GB2312的編碼環境下，無法對日文進行編碼。所以還需要做國際化。
隨著計算機的繼續發展，國際化越來越重要這當然也就包括編碼方式的改變，為避免ANSI不兼容的狀況，又制定了新的編碼規則——UNICODE。在Java中使用的就是UNICODE編碼，這符合Java跨平臺的特性，這也就解釋了Java中char字符的數據類型占用的是2個字節，因為Java使用UNICODE編碼，而UNICODE是2個字節表示1個字符。UNICODE解決了不同語言在不同平臺不兼容的情況，但也有一個小小的弊端，也就是稍微比前面兩種要占空間，以UNICODE字符集在內存中存儲的字符串我們稱之為為“寬字節字符串”，實際上之後對於字符編碼的工作就集中在了如何縮短字節空間上。 這裏就著重介紹UNICODE編碼，UNICODE編碼之所以略占空間，是因為它使用2個字節來表示1個字符。就算是英文也是使用2個字節。而ACSII和ANSI則使用1個字節表示英文。空間的占用就體現在了這個地方，如下圖所示。
可以看出，這就白白地浪費掉了1個字節的空間，在這裏實際上又可以繼續延伸出有關計算機基礎的知識，也就是在計算機中的數據在內存中的存儲方式是大端模式（Big-Endian，也稱高字節在前），還是小端模式（Little-Endian，也稱低字節在前）。所謂大端模式就是高位字節在內存的低地址端，低位字節在內存的高地址端。而小端模式則是高位字節在內存的高地址端，低位字節在內存的低地址端。上圖所示方式就是大端模式，可以看到低位字節跑到了地址的左邊也就是高地址端。需要清楚的是Java中采用的是大端模式。
繼續回到編碼上來，由於UNICODE給任意字符都是采用的2個字節表示1個字符，會造成空間浪費，所以在UNICODE編碼基礎上，又出現了可變長編碼的UTF-8編碼，這種編碼方式會靈活地進行字符的空間分配，不同字符所占用的內存空間不相同，在保證兼容性的同時，也保證了空間的最合理使用。
這就是Java IO的基礎知識，為的是便於後面Java IO中有關字節流和字符流的更好理解。
這是一個能給程序員加buff的公眾號
Java IO（1）基礎知識——字節與字符