Java 字串反轉與 Unicode 代理字元對處理深度解析

前言：看似簡單的字串反轉暗藏玄機

在 Java 中實作字串反轉，乍看之下只是陣列首尾交換的經典演算法。然而，當我們深入 JDK 原始碼，發現 StringBuffer.reverse()（實際定義於其父類 AbstractStringBuilder）的實作卻異常精妙，這背後關鍵在於 Java 採用 UTF-16 編碼，導致單一 char 無法完整代表所有 Unicode 字元。

普通演算法的缺陷

一般寫法如下：

public String reverse(char[] value) {
    for (int i = (value.length - 1) >> 1; i >= 0; i--) {
        char temp = value[i];
        value[i] = value[value.length - 1 - i];
        value[value.length - 1 - i] = temp;
    }
    return new String(value);
}

此演算法邏輯無誤，但假設每個 char 皆為獨立字元。實際上，Unicode 補充字元（超出 BMP 範圍，即 U+10000 以上）在 UTF-16 中需用兩個 char 表示，稱為 代理對：前一個為 High Surrogate（U+D800 ~ U+DBFF），後一個為 Low Surrogate（U+DC00 ~ U+DFFF）。若直接逐字元交換，會將代理對拆散，產生無效字元序列。

JDK 原始碼的精妙處理

AbstractStringBuilder.reverse() 採取兩階段策略：

1. 第一輪反轉：先按常規交換所有字元，同時檢測是否存在代理字元（Character.MIN_SURROGATE 到 Character.MAX_SURROGATE 之間）。
2. 第二輪修正：若發現代理字元，再從頭掃描一次，專門修正代理對順序。邏輯為：若 value[i] 為 Low Surrogate 且 value[i+1] 為 High Surrogate，則交換兩者，還原正確順序。

public AbstractStringBuilder reverse() {
    boolean hasSurrogate = false;
    int n = count - 1;
    for (int j = (n - 1) >> 1; j >= 0; --j) {
        char temp = value[j];
        char temp2 = value[n - j];
        if (!hasSurrogate) {
            hasSurrogate = (temp >= Character.MIN_SURROGATE && temp <= Character.MAX_SURROGATE)
                    || (temp2 >= Character.MIN_SURROGATE && temp2 <= Character.MAX_SURROGATE);
        }
        value[j] = temp2;
        value[n - j] = temp;
    }
    if (hasSurrogate) {
        // Reverse back all valid surrogate pairs
        for (int i = 0; i < count - 1; i++) {
            char c2 = value[i];
            if (Character.isLowSurrogate(c2)) {
                char c1 = value[i + 1];
                if (Character.isHighSurrogate(c1)) {
                    value[i++] = c1;
                    value[i] = c2;
                }
            }
        }
    }
    return this;
}

核心概念釐清：Code Point vs Code Unit

• Code Point（代碼點）：一個完整的 Unicode 字元，範圍 U+0000 ~ U+10FFFF。
• Code Unit（代碼單元）：編碼的基本單位。UTF-16 中，一個 Code Point 可能佔 1 個（BMP 字元）或 2 個（補充字元）Code Unit，即 Java 的 char。

因此，String.length() 返回的是 Code Unit 數量，而非字元數。正確獲取字元數需用 codePointCount()；定位第 N 個字元需用 offsetByCodePoints()；遍歷字元建議用 codePoints() 流式 API。

實務建議

• 處理可能含補充字元（如 Emoji、生僻字）的字串時，務必使用 JDK 內建的 StringBuilder.reverse() 或 StringBuffer.reverse()，切勿自寫逐 char 交換邏輯。
• 若需自行操作字元層級，請改用 int 型態的 Code Point API（codePointAt、codePointBefore、offsetByCodePoints 等）。
• 序列化、傳輸、持久化時，確保編碼統一為 UTF-8 或 UTF-16BE/LE，避免平台預設編碼差異導致代理對截斷。

總結

Java 字串反轉看似入門題，實則考驗對 UTF-16 編碼與 Unicode 代理機制的理解。JDK 以雙掃描法優雅解決代理對順序問題，展現標準庫對邊界條件的嚴謹處理。開發者應善用標準 API，並在涉及國際化、Emoji、古文字等場景時，養成以 Code Point 而非 char 為單位思考的習慣。