Java - String 类 | Zohar’s blog

Java 提供了默认的字符串类 (String)，本文主要记述了其基本用法和需要注意的细节，本文忽略已过时或有关 Unicode 的方法

1. “String对象”　不是　“字符串”

事实上 String 对象并不等于字符串，真正代表字符串的是 String 对象中的私有常数组： private final char value[])；由于 String 类是一个值类（一个实例对象仅能代表一个值），加上使用习惯，我们通常将 String 对象称为 字符串
```
 /** The value is used for character storage. */
 private final char value[];
```
由于 String 使用私有的常字符数组来保存字符串内容，因此每个 String 对象在初始化后都无法改变 value[] 这个字符串，String 对象是不可变的；
那你或许会疑惑：那我之前可以对字符串进行拼接、删减工作呀？字符串怎么会是不可变的呢？
发出这样疑问的原因是你对于 java 变量认识不够深刻，看一个例子：
```
 String str = "Hello World!";       // hashCode：-969099747
 String newStr = str;               // hashCode：-969099747
 System.out.println(str == newStr); // true
 str += " Man";                     // hashCode：1318721719
 newStr.hashCode();                 // hashCode：-969099747
 System.out.println(str == newStr); // false
```
str 与 newStr 其实只是两个引用，最初指向同一片地址空间；str 进行拼接操作后，str 与 newStr 指向了不同地址，而 newStr 指向的对象却没变；表明在拼接过后，str 不再是原来那个对象了，而是 JVM 重新在常量池中创建 String 对象（”Hello World! Man”），再将 str 指向新的对象，原本的对象（”Hello World!”）是不变的。
由于字符串名是个引用，因此当引用没指向字符串对象时，调用其相关方法将发生空指针异常，如:
```
 String str = null;
 System.out.printf(str.hashCode()); // NullPointerException!
```

2. String的唯一性判断

使用 == 判断两个字符串引用是否指向同一对象，即对象的 内存地址 是否相等
String 重写 equals() 方法：逐个字符对比判断字符串对象的内容是否相等
String 重写 hashCode() 方法：相同内容的字符串算出来的结果是一样的，而非 String 对象的地址空间

看完了上文，你或许又会有疑惑了：既然 String 对象是不可变的，那么同一个字符串不是会指向同一个对象吗？那判断字符串内容是否相等，直接用 == 判断是不是同一个对象就行了？干嘛要重写 equals() 方法呢？

再看一个例子：

String str0 = new String("abc");
String str1 = "abc";
String str2 = String.valueOf("abc");

System.out.println(str0.equals(str1));  // true
System.out.println(str2.equals(str1));  // true
System.out.println(str0 == str1);       // false
System.out.println(str2 == str1);       // true

"黑人问号"

别急，客官听我道来：

str0 这个引用创建时，分两步：

JVM 在常量池中检查是否已经有 “abc” 这一对象，发现没有（之前没创建过），就在常量池中创建了一个 “abc” 对象。
由于 str0 使用构造函数显示创建对象，因此 JVM 根据构造函数在堆中 new 了一个新的字符串对象，其内容与 “abc” 对象相同（想不到吧，我说它不可变又没说他不能有重复的）

str1 这个引用创建时：JVM 发现常量池中已经有 “abc” 这个对象，就直接将 str1 指向了它。

str2 这个引用创建过程得看一看 String.valueOf(String str) 方法：

// String.java
public static String valueOf(Object obj) {
    return (obj == null) ? "null" : obj.toString();
}

public String toString() {
    return this;
}

String.valueOf("abc") 时调用了 "abc".toString() 方法作为返回值，而 String 重写了 toString() 方法直接返回自身，所以

String str2 = String.valueOf("abc"); // 等同于 String str2 = "abc";

因此，str2 同样指向常量池的 “abc” 对象，因此 str1 == str2；

相同的字符串可能会落在不同的对象中，所以，编写 String 类的开发者希望我们使用 == 是否为同一个对象，使用 equals() 和 hashCode() 来判断字符串内容是否相等。

同时，由于字符串对象是不可变的，我们应该照他的指示，将相同的字符串引用指向同一个对象（这是安全的，因为你改变了字符串的值，就会自动指向其他对象，不会改变到原来的对象），而千万不要用构造方法的方式来创建字符串对象！

String str1 = new String("Hello world");     // 禁止 ❌！！！
String str2 = "Hello world";                 // 推荐 ✔
String str3 = String.valueOf("Hello world"); // 不推荐
String str4 = String.valueOf(1315.520);      // 推荐 ✔

3. 连接字符串

使用 + 连接二字符串

使用此操作符进行字符串连接，无论连接的右操作数是否为空，都将返回一个新的字符串（即使该新字符串与原字符串一样）

使用 concat(String str) 方法连接二字符串

使用 concat(String str) 方法进行字符串连接时，若传入的是 null，则将抛出空指针异常，因为内部调用了该参数的 length 方法；同时，若传入的是 ""，则将返回原对象，这一点与 + 截然不同：

  // Source Code
  public String concat(String str) {
      int otherLen = str.length();
      if (otherLen == 0) {
          return this;
      }
      int len = value.length;
      char buf[] = Arrays.copyOf(value，len + otherLen);
      str.getChars(buf，len);
      return new String(buf，true);
  }

4. 字符串的长度

4.1 字符串的编码

/**
 * ...The Java
 * platform uses the UTF-16 representation in {@code char} arrays and
 * in the {@code String} and {@code StringBuffer} classes...
 */

Java 使用的字符集是 Unicode，文档中声名默认使用 UTF-16 编码方式解析 Unicode，但由于 UTF-16 字符固定占 2 字节长度，对于英文字符（ASCII 字符占 1 字节）而言过于占用空间，因此 Java 会使用操作系统默认的编码方式对 Unicode 进行解析，使用非英文的系统大多使用 UTF-8 编码：

// Test Code
System.out.println(Charset.defaultCharset());

// Output:
UTF-8

4.2 Unicode

通称万国码，通过数字编码的方式来存储字符，理论长度从 000000 到 10FFFF 共 4180000 （2^20 + 2^16）个编码；

4.3 UTF

（Unicode Transformation Format）是 Unicode 从数字转化为字符的方案，而 UTF-8 是其中一套可变长度的转化方案，UTF-16 是双字节定长的转化方案；这就表明了，对于英文字符，UTF-8 将仅占用单字节长度来表示，大大节省了空间。

4.4 UTF-8 转换规则

如果只有一个字节则其最高二进制位为0；
如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的字节数，其余各字节均以10开头。

UTF-8 转换表

Unicode	bit	Unit	UTF-8	byte
0000 ~ 007F	00~07	1	0XXX XXXX	1
0080 ~ 07FF	08~11	1	110X XXXX 10XX XXXX	2
0800 ~ FFFF	12~16	1	110X XXXX 10XX XXXX 10XX XXXX	3
01 0000 ~ 10 FFFF	17~21	2~n	110X XXXX 10XX XXXX 10XX XXXX 10XX XXXX	4

4.5 字符长度与字符串长度

如果系统采用的编码方式是 UTF-8，那么恭喜你，你的字符串的长度会变来变去；这是由于 UTF-8 是可变长的编码方式所决定的：

// Test Code
String string;
string = "ab";
getStringInfo(string);
string = "你好";
getStringInfo(string);
string = "𡃁𡃁";
getStringInfo(string);
string = "👦👩";
getStringInfo(string);
string = "👽👽‍";
getStringInfo(string);

...
private static void getStringInfo(String string) {
    System.out.println(string + ".length\t\t\t\t= " + string.length());
    System.out.println(string + ".toCharArray.length\t= " + string.toCharArray().length);
    System.out.println(string + ".getBytes.length\t= " + string.getBytes().length);
}

// Output:
ab.length = 2
ab.toCharArray.length = 2
ab.getBytes.length = 2
你好.length = 2
你好.toCharArray.length = 2
你好.getBytes.lengt = 6
𡃁𡃁.length = 4
𡃁𡃁.toCharArray.length = 4
𡃁𡃁.getBytes.length = 8
👦👩.length = 4
👦👩.toCharArray.length = 4
👦👩.getBytes.length = 8
👽👽.length = 5
👽👽.toCharArray.length = 5
👽👽.getBytes.length = 11

String.length() 方法返回的是 Unicode 单元的长度
String.toCharArray.length() String 本来就是 Char 数组，同样是 Unicode 单元的长度
String.getBytes.length() 方法将返回 UTF-8 编码的字节数组长度

目前的 Unicode 字符分为17组编排，0x0000 至 0x10FFFF，每组称为平面（Plane），而每平面拥有FFFF(65536) 个码位。我们平时使用的字符基本上都在 BMP(Basic Multilingual Plane，基本多语言平面) 中，即 Plane 0，范围为：0000 ~ FFFF 共 65536 个字符，占 1 个 Unicode 单元，从转换表中可以看出，其 UTF-8 编码占 1~3 个 bit 长度。

因此，上例子中的 𡃁𡃁、👦👩、👽👽‍ 由于是 Unicode 3.0 后加入的字符，早已超出 BMP 所能表示的字符，因此需要占用 2 个及以上的 Unicode 单元，因此所求得的字符串长度会和显示的字符长度不一致，这是一个坑！

而由于 UTF-8 是变长编码，Byte 数组长度不一则是很正常的表现了。

而如果需要获取与实际相比较精准的字符数量，则需要使用 String.codePotinCount 方法：

// Test Code
string = "ab";
System.out.println(string.codePointCount(0, string.length()));
string = "你好";
System.out.println(string.codePointCount(0, string.length()));
string = "𡃁𡃁";
System.out.println(string.codePointCount(0, string.length()));
string = "👦👩";
System.out.println(string.codePointCount(0, string.length()));
string = "👽👽‍";
System.out.println(string.codePointCount(0, string.length()));

// Output:
2
2
2
2
3

至于… 最后一个是怎么回事，我至今没搞懂…

奇怪的emoji

竟然是五？？？

5. hashCode() 的魔法值

在上文 String的唯一性判断中，我们通过 hashCode() 方法判断字符串内容是否相同，但在哈希函数中，有一个很奇怪的乘子：31

/** The value is used for character storage. */
private final char value[];

/** Cache the hash code for the string */
private int hash; // Default to 0

/**
 * Returns a hash code for this string. The hash code for a
 * {@code String} object is computed as
 * <blockquote><pre>
 * s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[n-1]
 * </pre></blockquote>
 * using {@code int} arithmetic，where {@code s[i]} is the
 * <i>i</i>th character of the string，{@code n} is the length of
 * the string，and {@code ^} indicates exponentiation.
 * (The hash value of the empty string is zero.)
 *
 * @return  a hash code value for this object.
 */
public int hashCode() {
    int h = hash;
    if (h == 0 && value.length > 0) {
        char val[] = value;

        for (int i = 0; i < value.length; i++) {
            h = 31 * h + val[i];
        }
        hash = h;
    }
    return h;
}

文档中给出了这个哈希函数的算法，通过推导检验算法：

// s = val; n = length
s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[n-1]

// Check
length=1 -> h = 31 * 0 + val[0]
              = val[0]

length=2 -> h = 31 * (31 * 0 + val[0]) + val[1]
              = 31 * val[0] + val[1]
              = val[0] * 31^(2-1) + val[1]

length=3 -> h = 31 * (31 * (31 * 0 + val[0]) + val[1]) + val[2]
              = 31 * 31 * val[0] + 31 * val[1] + val[2]
              = val[0] * 31^(3-1) + val[1] * 31^(3-2) + val[2]

length=n -> h = val[0] * 31^(n-1) + val[1] * 31^(n-2) + ... + val[n-1]

将哈希算法写成数学公式为：

$hash = \sum_{i=0}^{n-1}value[i]\ *\ 31^{n-1-i}$

而由于整型的数值边界是 $2^{31}$ ，所以实际上是：

$hash = \sum_{i=0}^{n-1}value[i]31^{n-1-i} \quad Mod \quad 2^{31}$

31 有以下几个性质：

31 是一个质数
31 = $2^{5} - 1$

由于 31 所具备的性质，以下解释乘子采用 31 的原因：

哈希算法所采用的模或者是乘子采用质数能够有效地减小碰撞，参考哈希表的大小为什么最好是素数
由于它的第二个性质，JVM 自动对它进行了优化：
```
 // 31 = 2^5 - 1
 31 * i == i * (2^5 - 1) == i << 5 - i
```
移位运算大大提高了循环运算的效率
value[n] 是字符串中字符所在的 Unicode 平面的编号，范围从 0 到 65536；太小的质数进行哈希运算碰撞率会提高，而太大的质数进行哈希运算导致运算成本陡增，因此必须选用适中的质数，而由于 31 存在优化且碰撞率并不算高，因此选用 31 作为乘子

参考：

Java - String 类

1. “String对象”　不是　“字符串”

2. String的唯一性判断

3. 连接字符串

4. 字符串的长度

4.1 字符串的编码

4.2 Unicode

4.3 UTF

4.4 UTF-8 转换规则

4.5 字符长度与字符串长度

5. hashCode() 的魔法值

Search Articles

Wechat

Catalogue

Java - String 类

1. “String对象” 不是 “字符串”

2. String的唯一性判断

3. 连接字符串

4. 字符串的长度

4.1 字符串的编码

4.2 Unicode

4.3 UTF

4.4 UTF-8 转换规则

4.5 字符长度与字符串长度

5. hashCode() 的魔法值

Search Articles

Wechat

Catalogue

1. “String对象”　不是　“字符串”