在 Java 和 JavaScript 中,我们经常会使用字符串(String)提供的 length 成员(member)来抓取这个字符串的字数。由于 Java 和 JavaScript 并不像 Rust 或是 Golang 编程语言这样会直接抓到字符串在经过编码之后的字节数量,而是会得到字符的数量,所以我们很直觉地就会在 Java 或 JavaScript 用这样的方式来计算字符串的字数。

例如以下的 计算字数 函数,好像就可以成功正确计算出字数了啊?

实测看看:

字数正确啊?有什么问题吗?

先别急着肯定,再多试试,程序如下:

𩸽 读「ㄌㄨㄥˇ」;𡇙 读「ㄉㄨㄛˇ」;😮 是惊讶表情。这些东西应该都只能分别算是一个字,但是使用以上的 计算字数 函数却都被计算为两个字了。

这是因为 Java 和 JavaScript 是使用 UTF-16 来编码字符串,一个字可能会被编码为 2 个字节(byte)或是 4 个字节。但 Java 和 JavaScript 都认为一个字符(character)是 16 个比特(即 2 个字节),而字符串 "𩸽"、"𡇙"、"😮" 在经过 UTF-16 编码后都是 4 个字节,就会被当成是 2 个字符。Java 和 JavaScript 的字符串提供的 length 成员能够取得字符数量。

JavaScript 并未直接提供「字符」类型;Java 则有提供,即 char。在 Java 中,无法直接将 UTF-16 编码后为 4 个字节的字当作一个 char 类型的数据来使用,例如以下这行 Java 叙述就会造成编译错误:

char c = '𩸽';

所以说,在 Java 和 JavaScript 中直接将字符数量视同字符串的字数是不安全的!

安全地计算字数

笔者最先想到的方式还是先把字符串进行 UTF-8 的编码后再去计算字数。

有关于 UTF-8 字符宽度的说明可以参考下面这篇文章(Rust 编程语言):

或者也可以使用以下更推荐、更快速简洁的做法: