为什么不能用浮点数表示金额？

面试考察点

基础理解深度：面试官不仅仅是想知道 "不能用"，更是想考察你是否理解浮点数在计算机中的存储原理（IEEE 754 标准），以及为什么会产生精度丢失。
实战经验：金额计算是金融系统的核心场景，考察你是否在生产环境中踩过坑，是否知道正确的解决方案。
知识广度：从浮点数精度问题延伸到 BigDecimal 的使用、数据库字段选择（DECIMAL vs DOUBLE）、分布式场景下的金额处理等。

核心答案

浮点数（float/double）不能用于金额计算，核心原因是 IEEE 754 标准的二进制浮点数无法精确表示某些十进制小数，会导致精度丢失和累计误差。

数据类型	存储方式	精度问题	金额场景
`float`	32 位 IEEE 754	约 7 位有效数字	❌ 禁止使用
`double`	64 位 IEEE 754	约 15 位有效数字	❌ 禁止使用
`BigDecimal`	十进制整数 + 标度	任意精度	✅ 推荐
`long`（分）	64 位整数	精确	✅ 推荐

深度解析

一、精度丢失的本质原因

计算机使用二进制存储数据，而人类习惯使用十进制表示金额。某些十进制小数（如 0.1）在二进制中是无限循环小数，无法精确表示。

上图展示了十进制小数转换为二进制时的无限循环问题。关键点在于：

无法精确表示：十进制的 0.1、0.2、0.3 等常见小数，在二进制中都是无限循环的，计算机只能截断存储。
截断即误差：double 类型只有 52 位尾数，超出部分被截断，导致存储的值与真实值存在微小差异。
误差会放大：单次计算误差可能很小（0.0000000001 级别），但在大量累加或乘除运算后，误差会显著放大。

二、经典翻车案例

来看一个让无数程序员"怀疑人生"的例子：

public class FloatMoneyDemo {
    public static void main(String[] args) {
        // 案例 1：0.1 + 0.2 不等于 0.3
        double a = 0.1;
        double b = 0.2;
        System.out.println(a + b);  // 输出: 0.30000000000000004
        System.out.println(a + b == 0.3);  // 输出: false

        // 案例 2：累加误差更恐怖
        double total = 0.0;
        for (int i = 0; i < 10; i++) {
            total += 0.1;
        }
        System.out.println(total);  // 输出: 0.9999999999999999（不是 1.0！）

        // 案例 3：金额计算翻车
        double price = 19.9;
        int count = 3;
        System.out.println(price * count);  // 输出: 59.699999999999996
    }
}

想象一下，如果这是银行系统：用户转账 0.1 + 0.2 元，系统记录的却是 0.30000000000000004 元，日终对账时差了 0.00000000000000004 元，数百万笔交易累计下来...财务部会疯的。

三、IEEE 754 存储结构

以 double 为例，64 位存储结构如下：

上图展示了 double 类型的存储结构。核心要点：

52 位尾数限制：只能精确表示约 15-16 位十进制数字，超出部分必然截断。
二进制小数特点：能精确表示的十进制小数只有 0.5、0.25、0.125 等（分母为 2 的幂次），其他都是近似值。
规格化存储：隐含的 1.M 中的 1 不存储，实际精度是 53 位。

四、正确姿势：BigDecimal

import java.math.BigDecimal;
import java.math.RoundingMode;

public class BigDecimalMoneyDemo {
    public static void main(String[] args) {
        // ⚠️ 错误：用 double 构造 BigDecimal，精度已经丢失
        BigDecimal wrong = new BigDecimal(0.1);
        System.out.println(wrong);  // 输出: 0.1000000000000000055511151231257827021181583404541015625

        // ✅ 正确：用字符串构造 BigDecimal
        BigDecimal a = new BigDecimal("0.1");
        BigDecimal b = new BigDecimal("0.2");
        BigDecimal result = a.add(b);
        System.out.println(result);  // 输出: 0.3
        System.out.println(result.compareTo(new BigDecimal("0.3")) == 0);  // 输出: true

        // ✅ 金额计算：指定舍入模式
        BigDecimal price = new BigDecimal("19.9");
        BigDecimal count = new BigDecimal("3");
        BigDecimal total = price.multiply(count).setScale(2, RoundingMode.HALF_UP);
        System.out.println(total);  // 输出: 59.70

        // ✅ 除法必须指定精度和舍入模式
        BigDecimal amount = new BigDecimal("10");
        BigDecimal divisor = new BigDecimal("3");
        BigDecimal quotient = amount.divide(divisor, 2, RoundingMode.HALF_UP);
        System.out.println(quotient);  // 输出: 3.33
    }
}

BigDecimal 使用要点：

要点	说明
构造方式	必须使用字符串构造 `new BigDecimal("0.1")`，禁止使用 `new BigDecimal(0.1)`
比较方式	使用 `compareTo()` 而非 `equals()`（`equals` 会比较精度）
除法运算	必须指定精度和舍入模式，否则可能抛出 `ArithmeticException`
舍入模式	金额通常使用 `RoundingMode.HALF_UP`（四舍五入）

五、另一种方案：整数存储（分）

public class LongMoneyDemo {
    public static void main(String[] args) {
        // 金额以"分"为单位，使用 long 存储
        long priceInCents = 1990;  // 19.90 元 = 1990 分
        int count = 3;

        long totalInCents = priceInCents * count;  // 5970 分
        double totalInYuan = totalInCents / 100.0;  // 59.70 元（仅用于展示）

        System.out.println("总价（分）: " + totalInCents);      // 输出: 5970
        System.out.println("总价（元）: " + totalInYuan);       // 输出: 59.7
    }
}

整数存储方案优势：

性能更高：整数运算比 BigDecimal 快得多
内存更省：long 占 8 字节，BigDecimal 对象开销大
完全精确：整数运算不会丢失精度

适用场景：对性能要求高、金额精度固定（精确到分）、不需要复杂运算的场景。

面试高频追问

BigDecimal 的 equals() 和 compareTo() 有什么区别？

equals() 会比较精度（scale），new BigDecimal("1.0").equals(new BigDecimal("1.00")) 返回 false；而 compareTo() 只比较数值大小，返回 0。金额比较必须用 compareTo()。
数据库中金额字段应该用什么类型？

MySQL 使用 DECIMAL(19,4) 或 BIGINT（存分），禁止使用 FLOAT/DOUBLE。DECIMAL 在数据库层面保证精度，BIGINT 性能更好。
分布式场景下金额计算有什么注意事项？

多服务并发扣款时，要考虑分布式锁、数据库事务、幂等性，确保金额一致性。可参考 TCC、Saga 等分布式事务方案。

常见面试变体

变体一："0.1 + 0.2 != 0.3 是什么原因？如何解决？"
变体二："BigDecimal 构造时为什么要用字符串？"
变体三："金融系统中金额字段如何设计？"

记忆口诀

浮点存金额，精度必丢失； BigD 用字符串，除法指定舍； 或者用长整，单位换成分。

总结

浮点数采用 IEEE 754 二进制存储，无法精确表示某些十进制小数，金额计算必须使用 BigDecimal（字符串构造）或将金额转为整数（分）存储。数据库中金额字段使用 DECIMAL 或 BIGINT，禁止使用 FLOAT/DOUBLE。

发布于2026年01月18日|17:22:16