[!info] 关联笔记

• 所属 MOC：类型系统与 OOP · 标准库 · 学习路线
• 前置概念：基本类型 · 数组
• 后续概念：equals · IO 流 · JSON
• 容易混淆：null · char 与码点

Java 字符串与字符集

这个概念为什么出现

业务里到处是订单号、文案、JSON 文本。Java 用 String 表示不可变文本，内部以 UTF-16 代码单元序列为经典模型；一旦把“字符个数、字节长度、编码”混为一谈，就会出现截断乱码、错误校验长度、== 误用等问题。

[!abstract] 一句话理解 String 是不可变的字符序列对象；length() 计的是 UTF-16 code unit 数，跨边界文本处理要分清码点、字符簇与字节编码（Charset）。

最小可运行示例

场景：用户昵称校验与审计日志

注册服务要：1）拒绝空昵称；2）统计展示长度时意识到 emoji/中文；3）落盘时明确 UTF-8 字节数。

import java.nio.charset.StandardCharsets;

public class NicknameGuard {
    // validate：最小业务校验。
    //
    // 业务意图：空串与纯空白不允许注册。
    // 教学点：String 方法不改变原串，返回新串/布尔。
    static String normalize(String raw) {
        if (raw == null) {
            throw new IllegalArgumentException("nickname null");
        }
        String trimmed = raw.trim(); // 原 raw 不变
        if (trimmed.isEmpty()) {
            throw new IllegalArgumentException("nickname blank");
        }
        return trimmed;
    }

    static void audit(String nickname) {
        byte[] utf8 = nickname.getBytes(StandardCharsets.UTF_8);
        System.out.println("units=" + nickname.length());
        System.out.println("utf8Bytes=" + utf8.length);
        // codePointCount：更接近“Unicode 码点个数”的统计（仍非 grapheme cluster）。
        System.out.println("codePoints=" + nickname.codePointCount(0, nickname.length()));
    }

    public static void main(String[] args) {
        String n = normalize("  猫Cat ");
        audit(n);
        // 内容相等 vs 引用相等
        String a = "ORD";
        String b = new String("ORD");
        System.out.println("equals=" + a.equals(b) + " refEq=" + (a == b));
    }
}

建议运行：

javac NicknameGuard.java && java NicknameGuard

期望输出（要点）：

units=5
utf8Bytes=7
codePoints=5
equals=true refEq=false

结合场景再看三个关注点

1. 不可变：trim() 得到新串，必须接住返回值。
2. 长度口径：业务“显示宽度”、码点、UTF-8 字节是三件事。
3. 比较内容用 equals，不要默认 ==。

核心概念与准确模型

1. 不可变

• 任何“修改”都返回新 String（或复用字面量池中的既有串）
• 可安全共享、可作 hash 键（在内容稳定前提下）

2. UTF-16 与 char

• char / length() 基于 UTF-16 code unit
• 辅助平面字符可能占两个 char（代理对）
• 遍历完整码点用 codePoints() 或 offsetByCodePoints

3. 编码

byte[] raw = s.getBytes(StandardCharsets.UTF_8);
String s2 = new String(raw, StandardCharsets.UTF_8);

• 永远显式 Charset，避免依赖默认平台编码
• IO 层同样要指定编码（见 Reader/Writer）

4. 拼接与性能

• + 在编译期对常量可优化；循环内大量 + 应用 StringBuilder
• StringBuilder 非线程安全；并发构建用 StringBuffer 或外层同步（更常避免共享 builder）

5. 常用 API 地图

API	用途
isBlank/isEmpty	空白判断（版本注意）
substring/split/replace	变换（注意 split 正则）
formatted / String.format	格式化
intern	字符串池（高级、慎用）

边界情况与反直觉行为

1. split(".") 按正则，. 匹配任意字符——要转义。
2. substring 在旧版本与当前版本的实现细节不同，不要依赖“共享底层”传闻写逻辑。
3. null 与 "null" 字符串不同；拼接 null 会变成 "null" 文本。
4. 区域相关大小写（土耳其 locale 的 i）会坑。

常见误区

[!warning] 常见误区：用 == 比较用户输入字符串 内容比较必须用 equals/Objects.equals。字面量池相等是优化，不是业务契约。

[!warning] 常见误区：length 当“可见字符数” emoji、组合字符会使 length 与用户直觉不符；UI 长度规则要单独定义。

工程实践

1. API 边界统一 UTF-8。
2. 日志与监控对超长字符串截断，防爆内存。
3. 密码等敏感串注意驻留与 char[] 清理策略（进阶）。
4. 国际化文案不要靠硬编码拼接语序。

本节总结

• String 不可变、内容比较用 equals
• 分清 code unit / code point / bytes
• 编码显式化；循环拼接用 builder

自测题

1. 为什么 new String("a") == "a" 常为 false？
2. 为什么读写文件要写 UTF_8？

参考答案

1. == 比引用；new 创建新对象，与字面量池中的串不一定同一引用。
2. 默认编码随 OS/JVM 配置变化，显式 UTF-8 保证跨环境一致。

延伸阅读与资料来源

资料	类型	支撑内容
String (Java SE)	API	字符串行为
Charset	API	字符集
JLS String Literals	规范	字面量与 intern 相关语义