Question

对于任何给定的Java字符串s，我想知道s表示的字符数组保证是否是有效的UTF-16字符串，例如：

final char[] ch = new char[s.length()];
for (int i = 0; i < ch.length; ++i) {
    ch[i] = s.charAt(i);
}
// Is ch guaranteed to be a valid UTF-16 encoded string?

如果没有，那些产生无效UTF-16的简单Java语言测试用例是什么？

编辑：有人将此问题标记为[Is a Java char array always a valid UTF-16 (Big Endian) encoding?的可能副本我只能说，String和{char[]之间存在差异{1}}以及为什么前者至少在理论上可以保证后者不能保证其内容的原因。我没有问过关于数组的问题，我问了一个关于String的问题。

Answer 1

没有。 String只是char[]的无限制包装：

char data[] = {'\uD800', 'b', 'c'};  // Unpaired lead surrogate
String str = new String(data);

要测试格式正确的UTF-16数据的String或char[]，您可以使用CharsetEncoder：

CharsetEncoder encoder = Charset.forName("UTF-16LE").newEncoder();
ByteBuffer bytes = encoder.encode(CharBuffer.wrap(str)); // throws MalformedInputException

Answer 2

不可以，在程序执行期间，不保证Java String的实例在所有点都包含有效的UTF-16代码单元序列（即16位值）。它也必须以这种方式工作。

这是微不足道的证明。想象一下，您有一系列代码点（通常以32位整数存储的21位数量），您希望将其附加到一个字符串，一次一个字符单元。如果其中一些代码点位于基本多语言平面之上（即，值> 0xFFFF，因此需要超过16位来保存它们），那么当一次添加一个16位代码单元时，您将拥有一个String期间，String只有一个主要的代理，但还没有所需的尾随代理。

换句话说，它更像是一个char-unit缓冲区 - 一个16位值的缓冲区 - 而不是一个合法的UTF-16序列。这确实是String类型的必要方面。

只有在将其转换为特定编码时才会出现问题，因为不匹配，翻转或单独的代理在三种UTF格式中都不合法，因此编码器无法代表它们。

Java字符串的实例是否始终有效UTF-16？

2 个答案: