阿丁的猫1. 从"数字魔法"到内存存储的本质
第一次看到代码里那些奇怪的数字处理方式时，我完全懵了——为什么0.1+0.2不等于0.3？为什么整数有最大值限制？这些看似魔法的行为背后，其实是计算机内存存储的底层原理在起作用。今天我们就来彻底扒开这层神秘面纱。
计算机用二进制存储一切数据，但不同类型的数据有不同的存储规则。整数用补码表示，浮点数用IEEE 754标准，而像BigDecimal这样的类则是为了解决精度问题而生的特殊存储方式。理解这些存储机制，你就能明白代码中那些"魔法数字"的行为逻辑。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 整数的秘密：原码、反码与补码
2.1 为什么需要补码？
早期计算机使用原码表示数字，即最高位表示符号(0正1负)，其余位表示数值。但这种表示法有个致命问题：0有两种表示形式(+0和-0)，而且加减法运算复杂。
补码的出现完美解决了这些问题。在补码表示中：
- 正数的补码与原码相同
- 负数的补码是其原码取反后加1
- 0只有一种表示形式(全0)
这样设计的精妙之处在于，加减法可以统一用加法器实现，大大简化了CPU设计。
2.2 补码的实战应用
让我们用Java代码演示补码的特性：
java复制int max = Integer.MAX_VALUE; // 2147483647
int min = Integer.MIN_VALUE; // -2147483648
System.out.println(max + 1); // 输出-2147483648（溢出）
System.out.println(min - 1); // 输出2147483647（溢出）
这种溢出行为正是补码设计的直接结果。当超过最大值时，数值会"环绕"到最小值，反之亦然。
提示：在金融等对精度要求高的场景，应该使用BigInteger而不是基本类型int/long，以避免溢出问题。
3. 浮点数的魔法：IEEE 754标准解析
3.1 浮点数的内存结构
浮点数采用IEEE 754标准存储，以32位单精度浮点数为例：
- 1位符号位
- 8位指数位（阶码）
- 23位尾数位（有效数字）
这种设计类似于科学计数法，可以表示极大或极小的数字，但牺牲了绝对精度。