字符串

是什么，为什么存在

String 是 Java 表示文本的标准类。一个字符串包含固定的 UTF-16 代码单元序列；创建后，它的长度和内容都不会变化。字符串不是基本类型，但字面量语法、+ 拼接和编译器常量折叠让它像语言内建值一样使用。

不可变性让一个字符串引用可以安全共享。方法能够把字符串作为映射键、类名、路径片段或协议字段传给其他代码，而不用担心接收方改写同一个对象。hashCode() 的结果也能在对象内部缓存，因为内容不会在计算后变化。

你会在源码字面量、命令行参数、HTTP 字段、文件内容、数据库值和日志中遇到字符串。可靠的字符串代码不只要会查找与拼接，还要明确内容相等、null、Unicode 边界、字符编码和语言环境的契约。

不可变值与变量重新赋值

不可变的是 String 对象，不是保存引用的变量。执行 label = label.strip() 时，变量 label 改为引用返回结果；原字符串仍保持不变。若忽略 strip()、replace() 或 toUpperCase() 的返回值，操作结果也就丢失了。

String 类是 final，公开 API 不提供原地修改字符的方法。构造器从可变的字符或字节输入建立字符串时，也不会把调用方可修改的存储直接暴露为字符串内容。

不可变不等于永远复用同一个对象。两段内容相同的字符串可以是两个不同对象，而一次没有实际变化的库调用也可能返回原对象。业务逻辑应依赖内容与 API 契约，不应依赖这种对象复用。

三种文本边界

Java 的 char 是一个 UTF-16 代码单元（UTF-16 code unit） 。因此，String.length() 返回代码单元数，charAt() 和 substring() 的索引也使用代码单元偏移。基本多文种平面之外的字符由代理对表示，会占两个索引位置。

一个 Unicode 码点（Unicode code point） 可能占一个或两个 UTF-16 代码单元。codePointAt()、codePointCount()、offsetByCodePoints() 和 codePoints() 可以在码点层面工作，但它们不会自动执行文本规范化。

用户看到的一个字符还可能是由多个码点组成的 字素簇（grapheme cluster） ，例如字母与组合音标或一段 emoji 序列。若产品要求按光标移动或界面字符截断，码点计数仍然不够，需要使用符合目标 Unicode 分段规则的文本边界工具。

选择合适的文本 API

少量固定片段可以直接使用 +，集合已有元素可用 String.join() 或流的 Collectors.joining()。循环逐步追加内容时，使用 StringBuilder 能明确表达一个可变构建过程，最后再调用 toString() 得到不可变结果。

StringBuffer 也提供同步的可变缓冲区，但单个方法同步并不能让一组复合操作自动具备业务原子性。局部构建器不需要跨线程共享，通常使用 StringBuilder；确实共享可变文本时，应先重新审视所有权与锁定范围。

外部字节与文本之间的转换必须经过字符集。协议规定 UTF-8 时，使用 StandardCharsets.UTF_8，不要依赖进程默认字符集。大小写转换同样需要契约：机器可读标识符通常使用 Locale.ROOT，面向用户的自然语言则使用对应语言环境。

工作原理

内容相等与引用身份

equals() 比较两个字符串是否包含相同的代码单元序列，compareTo() 按字典序比较序列。Objects.equals(left, right) 在其中一个引用可能为 null 时提供空安全的内容比较。

== 比较的是 引用身份（reference identity） ，也就是两个表达式是否指向同一个对象。字符串池会让某些内容相同的表达式碰巧具有相同引用，因此用 == 编写的缺陷可能通过只含字面量的测试，随后在文件、网络或构造器产生的字符串上失败。

equalsIgnoreCase() 执行与语言环境无关的逐字符比较，不是完整的自然语言搜索或 Unicode 规范化方案。需要登录名、标签或搜索键时，应先写清楚大小写、规范化和允许字符的领域规则，再选择相应 API。

字面量、常量表达式与字符串池

Java 为字符串字面量和文本块维护规范化实例。规范要求内容相同的字面量引用同一个实例；由常量表达式计算出的字符串也会被驻留。这个机制通常称为 字符串池（string pool） 。

运行时得到的字符串不会因为内容相同就自动与池中实例共享引用。new String("ready") 明确构造一个不同对象，而解析输入、切片或大小写转换是否复用已有实例不是调用方可依赖的契约。

intern() 返回内容相同字符串的规范化池实例，并在没有对应实例时建立一个。它适合经过测量且重复度高、生命周期明确的数据集，不是普通内容比较的替代品。无条件驻留用户输入会把内存与全局共享策略绑定在一起。

操作返回新结果

substring()、replace()、strip()、repeat() 和大小写转换都返回字符串结果。结果可能是新对象，也可能在无需改变时复用接收者；API 保证的是内容，不是分配次数。

这种设计让链式调用自然成立，例如 raw.strip().toUpperCase(Locale.ROOT)。链中的每一步仍有自己的语义：strip() 使用 Unicode 空白定义，toUpperCase() 可能改变长度，而索引应根据当前结果重新计算。

StringBuilder 采用相反的模型。append()、insert()、delete() 和 setCharAt() 修改构建器状态，多数方法返回同一个构建器以便链式调用。toString() 产生独立的 String 快照，之后继续修改构建器不会改写已经返回的字符串。

拼接的编译与运行时语义

只由常量组成的字符串拼接可以在编译期折叠并驻留。包含运行时值的 + 表达式会按从左到右的顺序求值，把操作数转换为字符串，再产生新的字符串结果。具体使用 invokedynamic、内部辅助类还是消除临时分配，属于编译器与运行时实现细节。

一条短表达式中的 + 通常最清楚。问题出现在循环里的累积赋值：每轮都必须保留先前内容，并产生下一轮结果，可能反复复制不断增长的前缀。显式 StringBuilder 把多次追加集中到一个可变缓冲区中。

String.valueOf(object) 对 null 返回文本 "null"，而直接调用 object.toString() 会抛出 NullPointerException。两种行为都可能不符合领域要求，所以生成消息前应决定缺失值是拒绝、跳过、留空还是显示占位符。

查找、分割与替换

indexOf() 和 contains() 查找字面内容，matches()、split()、replaceFirst() 与 replaceAll() 则解释正则表达式。方法名相近，但输入语言不同；把用户提供的字面文本送入正则 API，会把 .、[ 或 * 等字符误当成语法。

需要字面替换时使用 replace(CharSequence, CharSequence)。确实需要正则时，模式中的字面片段用 Pattern.quote() 保护，替换侧的字面文本用 Matcher.quoteReplacement() 保护，因为模式语法与替换语法拥有不同的元字符。

split(regex) 等价于限制为零的分割，会删除结果末尾的空字符串。CSV、定长记录或协议字段可能把末尾空值当成真实列，这时要使用 split(regex, -1)；完整 CSV 还包括引号、换行和转义规则，不应只靠一次正则分割实现。

字节、代码单元与码点

字符串没有“当前编码”属性；它在 Java API 中表现为 UTF-16 代码单元序列。getBytes(charset) 才把文本编码为字节，new String(bytes, charset) 则按字符集解码字节。两端字符集不一致会破坏内容，即使代码没有抛出异常。

substring(begin, end) 使用半开代码单元区间。端点越界会抛出 StringIndexOutOfBoundsException，端点落在合法范围内却位于代理对中间时不会自动报错，而会产生含未配对代理项的字符串。

按码点截取时，应先用 codePointCount() 限制需要的码点数量，再用 offsetByCodePoints() 把码点数量转换为代码单元端点。按字素簇截取则要使用文本分段器，不能继续套用码点数量。

示例

不可变性、内容相等与身份

第一个示例把三项规则放在一起：转换方法返回新值，equals() 比较内容，== 比较对象身份。字面量常量折叠会复用池中实例，但显式构造的副本不会与它共享身份。

status 仍然是 "draft"，因为第一次大小写转换的结果没有保存。folded 来自常量表达式，所以与字面量共享规范化实例；copied 内容相等，但引用不同。

不要把这个输出当成鼓励使用身份比较。把 folded 改为运行时输入后，身份结果就不再由内容决定；只有 equals() 表达了这里真正需要的值语义。

规范化外部文本

外部输入经常同时涉及空白、大小写、分隔符和编码。下面的程序显式选择 Unicode 空白处理、与语言无关的大小写规则、保留尾部空字段的分割方式，以及 UTF-8 编解码。

import java.nio.charset.StandardCharsets;
import java.util.Arrays;
import java.util.Locale;

public class NormalizeInput {
    public static void main(String[] args) {
        String rawStatus = "\u2003 pending \u2003";
        String status = rawStatus.strip().toUpperCase(Locale.ROOT);

        String record = "A17,READY,";
        String[] fields = record.split(",", -1); // 保留结尾空字段

        String city = "München";
        byte[] encoded = city.getBytes(StandardCharsets.UTF_8);
        String decoded = new String(encoded, StandardCharsets.UTF_8);

        System.out.println("status=" + status);
        System.out.println("fields=" + Arrays.toString(fields));
        System.out.println("bytes=" + encoded.length);
        System.out.println("roundTrip=" + city.equals(decoded));
    }
}

status=PENDING
fields=[A17, READY, ]
bytes=8
roundTrip=true

strip() 能去掉示例中的 Unicode 空白，而旧式 trim() 只处理码点不大于 U+0020 的字符。split(",", -1) 使用负数限制保留尾部空字段；省略限制时，结果会丢掉该字段。

UTF-8 往返成功，是因为编码与解码显式使用同一字符集。真实系统还要决定畸形字节是替换还是报错；需要控制该策略时，应使用 CharsetDecoder，而不是只调用便利构造器。

按码点截取前缀

length() 与码点数量在纯 BMP 文本上经常相等，容易掩盖索引单位错误。这个示例包含一个代理对和一个组合音标，并把码点上限转换成安全的代码单元端点。

public class CodePointPrefix {
    static String prefixByCodePoints(String text, int limit) {
        if (limit < 0) {
            throw new IllegalArgumentException("limit must be non-negative");
        }

        int available = text.codePointCount(0, text.length());
        int end = text.offsetByCodePoints(0, Math.min(limit, available));
        return text.substring(0, end);
    }

    public static void main(String[] args) {
        String label = "A🚗e\u0301";
        String broken = label.substring(0, 2);

        System.out.println("units=" + label.length());
        System.out.println("codePoints="
                + label.codePointCount(0, label.length()));
        System.out.println("brokenHighSurrogate="
                + Character.isHighSurrogate(broken.charAt(1)));
        System.out.println("prefix=" + prefixByCodePoints(label, 2));
    }
}

units=5
codePoints=4
brokenHighSurrogate=true
prefix=A🚗

substring(0, 2) 没有越界，却把汽车 emoji 的代理对拆开了。offsetByCodePoints() 得到的端点位于完整码点之后，因此前缀保持代理对完整。

最后的 e 与组合音标仍是两个码点，却常显示为一个字素簇。这个函数的名称明确承诺按码点工作；若界面需求按用户可见字符限制长度，需要换用字素分段契约。

用构建器组合结果

当片段数量在运行时决定时，StringBuilder 可以把分隔符策略与追加过程放在同一个位置。示例只在元素之间添加分隔符，避免先添加再删除末尾分隔符带来的空输入边界。

import java.util.List;

public class OrderSummary {
    static String summarize(List<String> itemCodes) {
        StringBuilder output = new StringBuilder("items=");

        for (int index = 0; index < itemCodes.size(); index++) {
            if (index > 0) {
                output.append(" | ");
            }
            output.append(itemCodes.get(index));
        }

        output.append("; count=").append(itemCodes.size());
        return output.toString();
    }

    public static void main(String[] args) {
        System.out.println(summarize(List.of("A17", "B04", "C22")));
        System.out.println(summarize(List.of()));
    }
}

items=A17 | B04 | C22; count=3
items=; count=0

构建器属于方法内部，不会在调用之间共享状态。toString() 返回最终不可变值，之后即使构建器继续变化，已经返回的字符串也不会跟着改变。

如果任务只是连接已有字符串，String.join(" | ", itemCodes) 更短。需要同时写入标签、计数、条件片段或不同类型的值时，构建器通常更清楚。

陷阱

延伸阅读

• Java 语言规范：字符串字面量
• Java 语言规范：字符串拼接运算符
• Java SE 25 API：String
• Java SE 25 API：StringBuilder
• JEP 254：紧凑字符串