Dev Blog

Рядки String і Unicode ​

String: незмінність і порівняння ​

String є незмінним: strip, replace або toUpperCase не редагують наявний об’єкт, а повертають рядок результату. Якщо результат ігнорувати, змінна продовжить посилатися на попередній текст. Присвоєння нового результату змінює посилання, а не внутрішні символи старого String.

Літерали можуть посилатися на один інтернований об’єкт у пулі рядків. Тому порівняння двох однакових літералів через == іноді дає true й створює хибне враження, що так треба порівнювати текст. Рядок, прочитаний із консолі або створений через new String, не має такої гарантії.

Рис. 3.5. Однаковий текст не гарантує однакове посилання

Для вмісту використовуйте equals, а за визначеною потребою – equalsIgnoreCase. compareTo дає лексикографічний порядок UTF-16, а не повний мовний порядок українського словника. Перевіряйте знак результату, а не очікуйте тільки −1 або 1. За можливого null викликайте equals на відомому ненульовому літералі або перевіряйте null явно.

charAt читає одну кодову одиницю за індексом, substring(begin, end) бере ліву межу включно, праву невключно. indexOf повертає −1 за відсутності, contains – логічний результат. replace виконує буквальну заміну, тоді як replaceAll приймає регулярний вираз. join поєднує елементи заданим роздільником.

strip прибирає крайові символи, які Java визначає як whitespace; isBlank перевіряє порожній або такий пробільний рядок. Це не обіцянка видалити всі можливі типографічні пробіли Unicode. repeat повторює текст задану невід’ємну кількість разів. Межі кількості потрібні, щоб не створювати надмірний результат.

Unicode: кодові одиниці та кодові точки ​

String використовує UTF-16. Значення char має 16 біт і не завжди представляє цілий символ Unicode: додаткові кодові точки записуються сурогатною парою. Тому length рахує кодові одиниці, а не видимі символи. Наприклад, емодзі може мати length 2.

chars() надає потік кодових одиниць, codePoints() поєднує коректні сурогатні пари в кодові точки. На цьому етапі можна одержати масив через toArray і обійти звичайним циклом; функціональні операції потоків вивчатимемо пізніше. Character.isLetter(int) та isDigit працюють із кодовими точками, а не лише ASCII.

Навіть кількість кодових точок не завжди дорівнює кількості видимих графем: літера може складатися з базового символу й комбінувального знака. Для задачі треба явно обрати рівень обробки. Українські літери базового набору вміщуються в char, проте загальний текст може містити емодзі й інші додаткові символи.

Для перевірки українського stdout у перенаправленому Windows-процесі запускали java -Dstdout.encoding=UTF-8. Консоль або файл-одержувач також має читати UTF-8; javac -encoding UTF-8 окремо задає кодування вихідного Java-файлу, а не каналу виведення.

Зміна регістру рядка може залежати від Locale. Для технічних ключів використовуйте Locale.ROOT, для мовного інтерфейсу – визначену локаль. Не порівнюйте паролі без урахування регістру лише тому, що такий метод існує. API String: https://docs.oracle.com/en/java/javase/27/docs/api/java.base/java/lang/String.html.

Приклад 3. Нормалізація слів ​

Навчальне правило: прибрати крайові пробіли, розділити за Java whitespace, перетворити кожне слово на нижній регістр і зробити першу кодову точку великою. Це не повний редактор власних імен: дефіси, апострофи й мовні винятки мають окремі правила, які треба додати за потреби.

java
import java.util.Locale;

public class Main {
    static String normalize(String input) {
        if (input == null) {
            throw new IllegalArgumentException("Missing text");
        }
        String clean = input.strip();
        if (clean.isEmpty()) { return ""; }
        String[] words = clean.split("\\p{javaWhitespace}+");
        for (int i = 0; i < words.length; i++) {
            String word = words[i].toLowerCase(Locale.ROOT);
            int count = Character.charCount(word.codePointAt(0));
            String first = word.substring(0, count);
            words[i] = first.toUpperCase(Locale.ROOT)
                    + word.substring(count);
        }
        return String.join(" ", words);
    }

    public static void main(String[] args) {
        System.out.println(normalize("  оЛЕНА\tпЕТРЕНКО  "));
        System.out.println("[" + normalize(" \n\t ") + "]");
        String sample = "А😀";
        System.out.println(sample.length());
        System.out.println(sample.codePoints().toArray().length);
        System.out.println(Character.isLetter('Ї'));
    }
}
text
Олена Петренко
[]
3
2
true

Метод charCount визначає, скільки позицій UTF-16 займає перша кодова точка. Це не дозволяє випадково відрізати половину сурогатної пари. Зміна регістру виконується над підрядком, бо для деяких мов результат може містити більше однієї кодової точки.