Kotlin Android（API 29）UTF-8字符转换异常问题求助

在Kotlin Android（API 29）中执行以下代码时，遇到字符串长度不符合预期的问题：

import kotlin.text.Charsets.UTF_8

var buf = byteArrayOf(0xF0.toByte(), 0xa9.toByte(), 0xbd.toByte(), 0xbe.toByte())
var s = String(buf, UTF_8)
// 注：原代码中变量名s8应为s，属于笔误
Log.e(TAG, "buf len ${buf.size} as UTF-8 : <$s> len ${s.length}")

输出结果：

buf len 4 as UTF-8 : <𩽾> len 2

预期字符串长度应为1（对应UTF-8编码F0A9BDBE的字符𩽾），但实际返回长度为2，而Python中执行类似逻辑则无此问题。

这不是Kotlin的字符串转换错误，而是Java/Kotlin中String.length()的定义和你预期的不一致：

• Java/Kotlin的String内部采用UTF-16编码存储字符，length()方法返回的是UTF-16代码单元的数量，而非Unicode字符（码点）的数量。
• 字符𩽾的Unicode码点是U+29F7E，属于Unicode辅助平面（U+10000至U+10FFFF），这类字符无法用单个UTF-16代码单元表示，需要两个UTF-16代码单元（称为"代理对"）来存储，因此length()返回2。
• Python的字符串是基于Unicode码点实现的，len()直接返回Unicode字符的数量，所以不会出现这个差异。

如果需要获取实际的Unicode字符数量，使用String.codePointCount()方法：

val charCount = s.codePointCount(0, s.length)
Log.e(TAG, "实际Unicode字符数：$charCount") // 输出：实际Unicode字符数：1

此外，若要遍历每个Unicode字符，避免按UTF-16代码单元遍历的问题，可以使用codePoints()方法：

s.codePoints().forEach { codePoint ->
    val char = String(Character.toChars(codePoint))
    Log.e(TAG, "Unicode字符：$char")
}

内容的提问来源于stack exchange，提问作者PST