先看現象
涉及諸如float或者double這兩種浮點型數據的處理時，偶爾總會有一些怪怪的現象，不知道大家注意過沒，舉幾個常見的例子：
典型現象（一）：條件判斷超預期
<code>System.out.println( 1f == 0.9999999f ); // 打印：false
System.out.println( 1f == 0.99999999f ); // 打印：true 納尼？
/<code>
典型現象（二）：數據轉換超預期
<code>float f = 1.1f;
double d = (double) f;
System.out.println(f); // 打印：1.1
System.out.println(d); // 打印：1.100000023841858 納尼？
/<code>
典型現象（三）：基本運算超預期
<code>System.out.println( 0.2 + 0.7 );
// 打印：0.8999999999999999 納尼？
/<code>
典型現象（四）：數據自增超預期
<code>float f1 = 8455263f;
for (int i = 0; i < 10; i++) {
System.out.println(f1);
f1++;
}
// 打印：8455263.0
// 打印：8455264.0
// 打印：8455265.0
// 打印：8455266.0
// 打印：8455267.0
// 打印：8455268.0
// 打印：8455269.0
// 打印：8455270.0
// 打印：8455271.0
// 打印：8455272.0
float f2 = 84552631f;
for (int i = 0; i < 10; i++) {
System.out.println(f2);
f2++;
}
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
// 打印：8.4552632E7 納尼？不是 +1了嗎？
/<code>
看到沒，這些簡單場景下的使用情況都很難滿足我們的需求，所以說用浮點數（包括double和float）處理問題有非常多
隱晦的坑在等著咱們！怪不得技術總監發狠話：誰要是敢在處理諸如 商品金額、訂單交易、以及貨幣計算時用浮點型數據（double/float），直接讓我們走人！
原因出在哪裡？
我們就以第一個典型現象為例來分析一下：
<code>System.out.println( 1f == 0.99999999f );
/<code>
直接用代碼去比較1和0.99999999，居然打印出true！
這說明了什麼？這說明了計算機壓根
區分不出來這兩個數。這是為什麼呢？我們不妨來簡單思考一下：
我們知道輸入的這兩個浮點數只是我們人類肉眼所看到的具體數值，是我們通常所理解的十進制數，但是計算機底層在計算時可不是按照十進制來計算的，學過基本計組原理的都知道，計算機底層最終都是基於像010100100100110011011這種0、1二進制來完成的。
所以為了搞懂實際情況，我們應該將這兩個十進制浮點數轉化到二進制空間來看一看。
十進制浮點數轉二進制 怎麼轉、怎麼計算，我想這應該屬於基礎計算機進制轉換常識，在 《計算機組成原理》 類似的課上肯定學過了，咱就不在此贅述了，直接給出結果（把它轉換到IEEE 754 Single precision 32-bit，也就float類型對應的精度）
<code>1.0（十進制）
↓
00111111 10000000 00000000 00000000（二進制）
↓
0x3F800000（十六進制）
/<code>
<code>0.99999999（十進制）
↓
00111111 10000000 00000000 00000000（二進制）
↓
0x3F800000（十六進制）
/<code>
果不其然，這兩個十進制浮點數的底層二進制表示是一毛一樣的，怪不得==的判斷結果返回true！
但是1f == 0.9999999f返回的結果是符合預期的，打印false，我們也把它們轉換到二進制模式下看看情況：
<code>1.0（十進制）
↓
00111111 10000000 00000000 00000000（二進制）
↓
0x3F800000（十六進制）
/<code>
<code>0.9999999（十進制）
↓
00111111 01111111 11111111 11111110（二進制）
↓
0x3F7FFFFE（十六進制）
/<code>
哦，很明顯，它倆的二進制數字表示確實不一樣，這是理所應當的結果。
那麼為什麼0.99999999的底層二進制表示竟然是：00111111 10000000 00000000 00000000 呢？
這不明明是浮點數1.0的二進制表示嗎？
這就要談一下浮點數的精度問題了。
浮點數的精度問題！
學過 《計算機組成原理》 這門課的小夥伴應該都知道，浮點數在計算機中的存儲方式遵循IEEE 754 浮點數計數標準，可以用科學計數法表示為：
只要給出：符號（S）、階碼部分（E）、尾數部分（M） 這三個維度的信息，一個浮點數的表示就完全確定下來了，所以float和double這兩種浮點數在內存中的存儲結構如下所示：
1、符號部分（S）
0-正 1-負
2、階碼部分（E）（指數部分）：
- 對於float型浮點數，指數部分8位，考慮可正可負，因此可以表示的指數範圍為-127 ~ 128
- 對於double型浮點數，指數部分11位，考慮可正可負，因此可以表示的指數範圍為-1023 ~ 1024
3、尾數部分（M）：
浮點數的精度是由尾數的位數來決定的：
- 對於float型浮點數，尾數部分23位，換算成十進制就是 2^23=8388608，所以十進制精度只有6 ~ 7位；
- 對於double型浮點數，尾數部分52位，換算成十進制就是 2^52 = 4503599627370496，所以十進制精度只有15 ~ 16位
所以對於上面的數值0.99999999f，很明顯已經超過了float型浮點數據的精度範圍，出問題也是在所難免的。
精度問題如何解決
所以如果涉及商品金額、交易值、貨幣計算等這種對精度要求很高的場景該怎麼辦呢？
方法一：用字符串或者數組解決多位數問題
校招刷過算法題的小夥伴們應該都知道，用字符串或者數組表示大數是一個典型的解題思路。
比如經典面試題：編寫兩個任意位數大數的加法、減法、乘法等運算。
這時候我們我們可以用字符串或者數組來表示這種大數，然後按照四則運算的規則來手動模擬出具體計算過程，中間還需要考慮各種諸如：進位、借位、符號等等問題的處理，確實十分複雜，本文不做贅述。
方法二：Java的大數類是個好東西
JDK早已為我們考慮到了浮點數的計算精度問題，因此提供了專用於高精度數值計算的大數類來方便我們使用。
在前文《不瞞你說，我最近跟Java源碼槓上了》中說過，Java的大數類位於java.math包下：
可以看到，常用的BigInteger 和 BigDecimal就是處理高精度數值計算的利器。
<code>BigDecimal num3 = new BigDecimal( Double.toString( 0.1f ) );
BigDecimal num4 = new BigDecimal( Double.toString( 0.99999999f ) );
System.out.println( num3 == num4 ); // 打印 false
BigDecimal num1 = new BigDecimal( Double.toString( 0.2 ) );
BigDecimal num2 = new BigDecimal( Double.toString( 0.7 ) );
// 加
System.out.println( num1.add( num2 ) ); // 打印：0.9
// 減
System.out.println( num2.subtract( num1 ) ); // 打印：0.5
// 乘
System.out.println( num1.multiply( num2 ) ); // 打印：0.14
// 除
System.out.println( num2.divide( num1 ) ); // 打印：3.5
/<code>
當然了，像BigInteger 和 BigDecimal這種大數類的運算效率肯定是不如原生類型效率高，代價還是比較昂貴的，是否選用需要根據實際場景來評估。
文章來源：https://my.oschina.net/hansonwang99/blog/3227517
關注我瞭解更多程序員資訊技術，領取豐富架構資料
閱讀更多 JAVA技術刀 的文章
