为什么UTF-8中3字节特殊字符仅让字符串总长度增加1？

问题根因分析 #

• 你混淆了两个完全独立的概念：编码后字节数组的长度和Java String.length()的返回值
  你计算的15+3=18是「字符串用UTF-8编码后的总字节数」，这个计算本身是对的：15个ASCII字符每个在UTF-8下占1字节，特殊字符ࢤ（Unicode码点U+08A4，属于阿拉伯语补充区块）是BMP平面字符，UTF-8编码占3字节，总字节数确实是18字节。
• Java的String.length()返回的从来不是字节数，而是字符串包含的UTF-16代码单元数量。所有码点在U+0000~U+FFFF（即BMP基本多文种平面）内的字符，每个都只占用1个UTF-16代码单元，因此length()返回值等于字符串的字符总数。你测试的原字符串一共是15个普通ASCII字符加1个ࢤ，总共16个字符，只要字符串内容没有损坏，length()必然返回16。
• 你写的测试代码本身存在逻辑错误：new String("xxx".getBytes(指定编码))这种写法会产生乱码。你用指定编码把字符串转为字节数组后，调用new String(byte[])时会用JVM的默认编码去解码字节数组，如果默认编码和你转字节用的编码不一致，就会直接生成乱码字符串。你打印出来的16、32、64其实是乱码后的字符串的长度，完全不是你预想的对应编码的字节长度。

正确的测试写法 #

如果你要统计不同编码下的字节长度，应该直接统计getBytes()返回的字节数组的长度，不要转成String再统计：

public class TestEncoding {
    public static void main(String[] args) throws Exception {
        String str = "Hi how are you?ࢤ";
        System.out.println("UTF-8 字节数：" + str.getBytes("UTF-8").length);
        System.out.println("UTF-16LE 字节数：" + str.getBytes("UTF-16LE").length);
        System.out.println("UTF-32 字节数：" + str.getBytes("UTF-32").length);
    }
}

运行后输出结果就会符合你的预期：

UTF-8 字节数：18
UTF-16LE 字节数：32
UTF-32 字节数：64

内容的提问来源于stack exchange，提问作者Uncle Iroh