java中string.length()返回utf-16代码单元数而非unicode码点数，因内部用char[]存储且需兼容历史设计；真实字符数应调用codepointcount()或codepoints().count()。

因为 Java 的 String 内部用 UTF-16 编码存储，而 length() 返回的是底层 char[] 数组的长度——每个 char 对应一个 UTF-16 代码单元（code unit），不是用户感知的“字符”。

UTF-16 编码决定了 char 是基本单位

Unicode 字符集里，大部分常用字符（如英文字母、常见汉字）落在基本多语言平面（BMP，U+0000–U+FFFF），一个字符刚好用一个 char（16 位）表示；但 emoji、古汉字、音乐符号等增补字符（U+10000 起）超出 BMP 范围，必须用两个 char（即代理对：high surrogate + low surrogate）联合表示。Java 把这种双 char 结构视为两个独立的代码单元，length() 只数“有多少个 char”，不解析它们是否成对。

历史与兼容性优先的设计选择

Java 1.0 就已定义 String.length() 为 char 数，当时 Unicode 还未广泛使用增补字符，BMP 覆盖绝大多数需求。为保持 API 稳定和性能，后续版本没改变语义：length() 仍是 O(1) 操作，直接返回数组长度，不扫描内容、不识别代理对。改它会破坏海量旧代码，也增加每次调用的开销。

真正“字符数”需要主动计算

要得到人眼或业务逻辑中理解的“字符个数”（即 Unicode 码点数量），必须显式调用：

Alibabacloud Sdk Client Initialization For Java

在 Java 中初始化和管理阿里云 SDK客户端。包括单例模式、线程安全、endpoint 与 region 配置、VPC 终端节点、同步与异步等。

下载

• str.codePointCount(0, str.length()) —— 最标准、高效的方式
• str.codePoints().count() —— 流式写法，语义清晰但有轻微开销

注意：不能用 str.chars().count()，它统计的是 char 流，结果等同于 length()。

容易踩坑的典型场景

这些情况会让 length() 和真实码点数不一致：

• 单个 emoji："?‍?" length() 返回 4，codePointCount() 返回 1
• 生僻汉字："?"（U+2070E）length() 返回 2，实际是 1 个字符
• 组合字符："é"（U+0065 U+0301）length() 返回 2，codePointCount() 也返回 2 —— 它是两个码点，但视觉上是一个字形；真要按“视觉字符”计数，得用 BreakIterator

归根结底，length() 不是“错了”，而是它定义明确：数代码单元。错在开发者默认把它当“字符数”用，却忽略了 Unicode 编码的分层结构。

Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南