Unicode中的"非代理Unicode码点"指什么？Rust相关规则存疑

Unicode为每个字符分配了唯一的码点（用U+XXXX格式表示），整体范围是U+0000到U+10FFFF。其中有一段特殊区间——U+D800 到 U+DFFF，被称为「代理区（Surrogate Area）」。

这些代理码点本身不对应任何实际字符，它们是UTF-16编码的专属工具：因为UTF-16是双字节编码，单个双字节最多只能表示到U+FFFF，对于超出这个范围的「辅助平面字符」（比如部分罕见汉字、复杂emoji），就需要用一对代理码点（高代理U+D800-U+DBFF + 低代理U+DC00-U+DFFF）拼接来表示。

所以非代理Unicode码点就是：除了U+D800到U+DFFF区间之外的所有合法Unicode码点——也就是那些可以独立代表字符，不需要依赖代理对就能被正确解析的码点。

首先要明确Rust里char类型的本质：它专门用来存储单个Unicode字符，其取值范围被严格限制为合法的非代理码点。如果你尝试手动创建一个代理码点的char，编译器会直接报错：

// 编译报错：U+D800是高代理码点，不属于char的合法范围
let invalid_char: char = '\u{D800}';

而原始指针（比如*const char或*mut char）属于unsafe Rust的范畴，Rust不会对其做编译期的合法性检查。当你解引用这类指针时，会直接读取内存中的值并将其当作char处理。但如果内存中的值刚好落在代理码点区间，就会触发未定义行为——Rust无法保证程序后续的运行状态，可能崩溃、出现乱码，或者产生其他不可预测的结果。

举个违反规则的例子：

use std::ptr;

fn main() {
    // 将高代理码点的数值存入内存
    let surrogate_value: u32 = 0xD800;
    // 强制转换为*const char指针
    let char_ptr = &surrogate_value as *const u32 as *const char;
    
    // 解引用指针，触发未定义行为
    let _invalid_char = unsafe { *char_ptr };
}

另外补充你提到的Vec<u8>转UTF-8的问题：你说的填充操作，应该是指当Vec<u8>中的字节序列是不完整的UTF-8（比如最后一个多字节字符只写入了部分字节）时，直接转换为&str或String会失败，这时候需要处理这种不完整情况——比如填充缺失的字节，或者截断到完整的字符位置。不过这个场景和代理码点没有直接关联，代理码点主要是UTF-16和Rust char类型的专属概念。

内容的提问来源于stack exchange，提问作者cmal