Java中汉字如何正确表示与编码？

在Java编程语言中，表示汉字是一个基础且重要的知识点，尤其在进行中文文本处理、国际化开发等场景时，汉字作为非拉丁字符，其编码和存储方式与英文字符有所不同，理解Java如何表示汉字需要从字符编码、数据类型、字符串处理等多个维度展开。

字符编码：汉字表示的核心基础

计算机中所有字符的存储和传输都需要通过编码规则将字符转换为二进制数据，汉字的编码体系经历了多个发展阶段，Java对不同编码的支持也决定了其表示汉字的方式，常见的汉字编码包括GB2312、GBK、Big5以及国际通用的Unicode编码,Unicode编码因其能够容纳全球所有字符而成为Java的默认编码方式。

Java内部采用Unicode编码（具体实现为UTF-16）来处理字符，这意味着每个char类型的数据在底层占2个字节（Java 9之后，字符串存储优化为基于数组的byte[]，但逻辑上仍以UTF-16处理），可以表示大部分常用汉字，汉字“中”的Unicode码点为U+4E2D，在Java中可以通过char变量直接存储，需要注意的是，Unicode中的基本多文种平面（BMP）字符（包括所有常用汉字）可以用一个char表示，而 supplementary characters（如某些生僻汉字或特殊符号）则需要使用两个char组成的 surrogate pair（代理对）来表示。

数据类型：char与String的汉字处理

Java中表示汉字的核心数据类型是char和String，char是基本数据类型，用于存储单个字符,其取值范围为Unicode字符集。

char ch = '中'; // 直接使用单引号赋值汉字
System.out.println(ch); // 输出：中

由于Java采用UTF-16编码，当处理超出BMP范围的汉字时，需要特别注意char的局限性，汉字“𠮷”（U+20BB7）需要使用两个char表示：

String str = "𠮷";
System.out.println(str.length()); // 输出：2（因为由两个代理对char组成）
System.out.println(str.codePointAt(0)); // 输出：131473（即U+20BB7的十进制值）

String类是Java中表示文本的主要方式，其内部由char数组（或Java 9之后的byte数组）构成,支持包含汉字的字符串操作。

String str = "Java汉字处理";
System.out.println(str.length()); // 输出：7（每个汉字占一个长度单位）
System.out.println(str.substring(0, 4)); // 输出：Java汉

在字符串操作中，需要注意方法对汉字的兼容性，如length()方法返回的是UTF-16编码单元的数量，而非实际的Unicode字符数量，对于包含 supplementary characters 的字符串，应使用codePointCount()方法获取准确的字符数。

编码转换：解决存储与传输的兼容性

尽管Java内部使用Unicode，但在文件存储、网络传输等场景中，常需要与外部编码（如UTF-8、GBK）进行转换，Java提供了String.getBytes()和new String(byte[], charset)方法实现编码转换。

String str = "汉字";
// 将字符串转换为GBK编码的字节数组
byte[] gbkBytes = str.getBytes("GBK");
// 将GBK字节数组转换回字符串
String gbkStr = new String(gbkBytes, "GBK");
System.out.println(gbkStr); // 输出：汉字

在编码转换时，必须明确指定字符集，否则会使用JVM默认字符集（可能因环境不同而异），导致乱码问题，若默认字符集为UTF-8，而使用GBK编码的字节数组直接构造字符串，可能会出现“涓�”等乱码。

正则表达式与汉字匹配

在正则表达式中处理汉字时，可以通过Unicode属性或范围进行匹配,匹配所有常用汉字：

String str = "Hello 世界123";
boolean containsChinese = str.matches(".*[\u4e00-\u9fa5]+.*");
System.out.println(containsChinese); // 输出：true

\u4e00-\u9fa5是Unicode中基本汉字的范围（从“一”到“龥”），对于更复杂的汉字匹配（如包含生僻字），可以使用\p{script=Han}（需Java 7及以上支持）：

String regex = ".*\\p{script=Han}+.*";
boolean matches = str.matches(regex);

注意事项与最佳实践

1. 避免硬编码编码集：在代码中直接使用编码名称（如“GBK”）时，应考虑通过配置文件或常量管理,便于维护和国际化适配。
2. 处理文件I/O时的编码：使用FileReader/FileWriter时，默认使用JVM编码，推荐使用InputStreamReader/OutputStreamWriter并显式指定编码：

   BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream("file.txt"), "UTF-8"));

3. 字符串长度计算：涉及汉字显示时（如UI界面限制字符数），优先使用codePointCount()而非length(),避免截断代理对导致乱码。
4. 数据库交互：JDBC连接URL中需指定字符集（如useUnicode=true&characterEncoding=UTF-8）,确保数据库与Java编码一致。

Java中表示汉字的核心在于理解Unicode编码机制，合理使用char和String类型，并注意编码转换的兼容性，通过掌握字符编码、字符串操作、正则匹配等知识点，开发者可以高效处理中文文本场景，避免乱码等问题，在实际开发中，始终显式指定字符集、遵循编码规范,是确保汉字处理稳定性的关键。