char 和 byte 的根本区别，如何遍历 StringString 类中的 byte[] value 在String

String 类中的 byte[] value

在String 类中 byte 是存储单位，char 是字符单位，两者不是一回事——所以不能通过遍历 byte 来遍历 String 中的每一个元素。

char 和 byte 的根本区别

	`char`	`byte`
位宽	16 位无符号	8 位有符号
范围	0 ~ 65535	-128 ~ 127
语义	一个 UTF-16 码元（半个或整个字符）	一个原始字节，没有字符含义
C 类比	`unsigned short` / `wchar_t`	`signed char` / `int8_t`
默认值	`'\u0000'`	`0`

关键点：char 是 Java 里唯一的无符号类型，它是为 Unicode 设计的；而 byte 只是 8 个 bit，跟 "字符" 没有任何绑定关系，只有当全是 ASCII 字符时，String 才使用一个 byte 存储一个字符，但是 byte[] 是 private ，实际上也不能直接遍历，我们可以通过 getbytes() 方法返回一个新分配的 byte[]，它是通过指定编码格式重新编码后的副本，不是 value 的引用，因此这个 byte[] 是可以修改的。

String 从 char[] 改成 byte[] 是怎么回事

JDK 9 之前 String 内部是 private final char[] value，每个字符雷打不动占 2 字节。但统计发现，实际应用中 绝大多数字符串只含 ASCII 字符，高 8 位永远是 0，纯属浪费。于是 JDK 9 引入 Compact Strings：

private final byte[] value;   // 存储
private final byte coder;     // 编码标记：0 = LATIN1，1 = UTF16

构造 String 时先试着用 LATIN1 编码，只要所有字符都 ≤ 0xFF 就存成 1 字节/字符；一旦出现中文、emoji，整串自动切换成 UTF16，退回 2 字节/字符。

图上第二个例子是重点：Compact Strings 只对纯 ASCII 有效，混进一个中文就整串退化。使用 AI 实测了 200 万个 100 字符的字符串（字符数完全相同）：

LATIN1 (100个ASCII字符 × 200 万个): 约 290 MB
UTF16  (100个中文字符 × 200 万个): 约 488 MB

byte[] 本身从 120 字节涨到 216 字节，正好翻倍；加上对象头的固定开销，整体差了约 40%~68%。

能不能直接遍历 byte？以及所有字符都只占两个或两个字节一下吗？

1. 你根本拿不到。 value 是 private final，想拿得靠反射，而且 JDK 17+ 之后模块封装还会直接抛 InaccessibleObjectException，必须加 --add-opens java.base/java.lang=ALL-UNNAMED。

2. 拿到了也读不懂。 光有 byte[] 不知道 coder 是 0 还是 1，同一个字节序列在两种编码下含义完全不同。

3. 更根本的问题：byte 是编码产物，不是字符。 实测输出：

原串: a你😀   length()=4   码点数=3   UTF-8字节数=8
  getBytes()  : 61 E4 BD A0 F0 9F 98 80   <- 这是字节，不是字符

同一个字符串里，a 占 1 字节、你 占 3 字节、😀 占 4 字节。UTF-8 是变长编码，字节边界和字符边界完全对不上。而 getBytes() 返回的是一份新拷贝，跟 String 内部的 byte[] 毫无关系。

最常用的遍历函数 `charAt()` 和 `toCharArray()`

for (int i = 0; i < s.length(); i++) {
    char c = s.charAt(i);
}

特点

不创建新数组
每次调用都从 String 里取第 i 个 UTF-16 code unit。
Java 9+ 中 String 内部是 byte[] + coder，charAt() 每次可能要判断编码并解码。
emoji、部分生僻字会被拆成两个 char。

char[] arr = s.toCharArray();
for (char c : arr) {
}

特点

会创建一个新的 char[]，把字符串内容复制进去，有额外的内存开销
之后遍历的是普通数组，访问很快。
数组可以修改，但修改不会影响原 String。

正确的遍历方式

场景	推荐写法
确定只有 ASCII / 中文（99% 业务代码）	`charAt()` 或 `toCharArray()`
可能含 emoji、生僻字（U+FFFF 以上）	`codePoints()` ← 推荐
要按"用户看到的一个字"处理（排版、截断、光标）	`BreakIterator`
网络传输 / 文件 IO	`getBytes(StandardCharsets.UTF_8)`

为什么 `charAt` 会出事

charAt      : a(U+0061) 你(U+4F60) ?(U+D83D) ?(U+DE00)

😀 是 U+1F600，超出 65535，UTF-16 只能用两个 char 拼（代理对 D83D + DE00）。你按 char 遍历，一个 emoji 会被掰成两半，中间那半单独拿出来是个非法字符，打印出来就是问号。

换成 codePoints() 就正常了：

codePoints(): a(U+0061) 你(U+4F60) 😀(U+1F600)

// 推荐写法：按码点遍历，能正确处理 emoji 和生僻字
s.codePoints().forEach(cp -> {
    System.out.printf("%s (U+%04X)%n", new String(Character.toChars(cp)), cp);
});

// 需要带索引统计字符数（注意 count 要用码点数，不是 length()）
int count = s.codePointCount(0, s.length());   // a你😀 -> 3，而 s.length() 是 4

总结

byte 是存储层的字节（变长、无语义），char 是字符层的 UTF-16 码元（定长、emoji 会占两个），码点才是你心里的"一个字符"。遍历 String 请忘掉 byte，无脑用 codePoints()。

char（16 位无符号）是字符单位，byte（8 位有符号）是存储单位，两者不在同一层。
Compact Strings 只对纯 ASCII 省空间，串里混进一个中文就整串退化为 UTF16
遍历 String，无脑用 codePoints()

另外：s.length() 返回的是 char 个数不是字符个数，a你😀 长度是 4 而实际只有 3 个字符。以后做"限制输入 10 个字"这类需求，用 length() 会出现用户输 5 个 emoji 就被截断的 bug。

char 和 byte 的根本区别，如何遍历 String

String 类中的 byte[] value