孙玲的空间1. 字符串作为“变量类型”里的特例，到底特殊在哪
1.1 字符、字符串与数组三者关系
学编程的人最开始都会接触字符和字符串，但多数人是在“能用就行”的阶段把这个概念滑过去的。字符串往往被定义成“一串字符”，但真到了语言实现层面，它并不是一个天生就该存在的简单标量类型。
整数、浮点数、布尔值这类变量类型，存的是一个可枚举的值域，内存占用通常是固定的。字符串则完全不同：一个字符串可能只有一个字母，也可能有上万字，它本质上是一个“序列”，需要一块连续或者逻辑上连续的内存来存放。C语言的处理方式最直白——没有原生字符串类型，只有“以\0结尾的字符数组”。C++、Java、Python、C#这些现代语言虽然做了封装，但你在调试器里展开一个字符串对象，还是能看到它内部持有一个或多或少的字符数组或指针。
之所以要在“变量类型”的章节里专门拿出5.6来写字符串，正是因为它是第一个让你跳脱“单值变量”思维、开始接触“复合数据”的类型。很多新手学到数组时觉得难，其实本质原因是还没建立起字符串与数组的关联意识。
1.2 为什么字符串常常被设计成“对象”，而不是基础类型
从Java开始，很多人有一个困惑：int、double是基础类型，String却是一个类，为什么它用起来跟基础类型一样方便？
java复制String name = "ethan";
System.out.println(name.length());
把“一串字符”封装成类，不是故意增加复杂度，而是因为这层封装能长期收拢对字符序列的一整套操作：求长度、截取、查找、分割、替换、比较。你看看C语言里实现一次字符串拼接需要调用多少次函数、处理多少次手动分配，就能理解类封装的价值。Python和JS的字符串更是把对象特性发挥得淋漓尽致，几乎所有操作都变成方法或运算符。
此外，字符串一旦被设计成一个类型，就牵涉到“传值还是传引用”“能否修改”“如何比较”这些基础而致命的问题。这些问题在整数上简单清晰，在字符串上却常常成为线上事故的诱因。所以这一节我直接按“存储——行为——比较——转换”四条主线展开，把字符串的底裤彻底翻一遍。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 存储与编码：乱码、下标和长度为什么会出问题
2.1 内存里的字节序列与字符集的选择
字符串存储在内存中，本质就是一段字节数据，再配合上解释这些字节的编码规则。同一个字节序列，用GBK解码和用UTF-8解码，结果截然不同。中文互联网上的乱码，十有八九不是数据丢了，而是解码规则用错了。
ASCII时代，每个字符一个字节，一切都很简单。到了中文、日文、韩文这类表意文字，一个字节存不下，于是各搞各的编码，GBK、Shift-JIS、Big5满地走。Unicode出现后，给所有字符统一分配了一个码点，但码点不等于存储字节，还需要一个编码方案把码点变成字节序列。UTF-8是变长编码，英文字符占1字节，中文大多占3字节；UTF-16则用2字节或4字节表示一个字符。
这个基础的差异造成了字符串在内存中的实际占地千差万别。例如“abc你好”这个看起来只有5个“字符”的字符串，如果在Python里用UTF-8编码存储，你会得到：
python复制s = "abc你好"
print(len(s)) # 5，这是Python层面看到的字符个数
print(len(s.encode("utf-8"))) # 11，这才是UTF-8编码后的字节数
很多人调用外部接口、往Redis里写数据或者估算数据库字段长度时，从来不区分“字符长度”和“字节长度”，结果做了长度校验依然超限或者截断，根源就在这里。
2.2 下标与长度单位差异：字节、代码单元还是字符
不同语言对字符串的下标语义并不统一，这是我见过初学者踩坑最多的地方。
C语言没有真正的字符串下标概念，str[0]取到的是一个char，是实实在在的一个字节。如果你用C语言处理中文串并直接按下标操作，一个汉字就占两三个字节，按字节移动极容易切碎字符。
Java相对做了一层隔离，String内部使用UTF-16编码，一个char是一个16位代码单元。英文和常用中文都落在单代码单元内，但像Emoji这种增补平面字符就会占两个char，于是你看到的现象是：
java复制String emoji = "a💡b";
System.out.println(emoji.length()); // 3
System.out.println(emoji.charAt(1)); // 这里输出的是一个代理项，不是一个完整的Emoji
这个例子想说明什么呢？不同语言对“字符串长度”的定义，可能是字符数量、代码单元数量或者字节数量，没有统一答案。真正需要拿到“用户视觉上的字符个数”时，要做归一