Java BreakIterator 的字符边界为什么不同于 char 下标

Java 的 char 下标按 UTF-16 代码单元移动，而 BreakIterator.getCharacterInstance() 根据字符边界分段。一个补充字符可能占两个 char，一个字母加组合重音也可能形成一个字素簇，所以“下标加一”和“向后移动一个显示字符”会出现不同结果。BreakIterator 返回的边界数字仍然是原字符串的 UTF-16 偏移。

官方文档：https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/text/BreakIterator.html

先确认业务说的一个字符是什么

设想昵称预览只保留前三个字符。直接 substring(0, 3) 看似简单，但遇到表情和组合重音，可能切在一个显示单元内部。先定义限制单位，才能决定该用哪种接口。

下面按 JDK 25 默认字符边界实现讨论扩展字素簇。它是文本分段规则，不是测量字体像素宽度，也不能保证一个簇刚好占一个屏幕格。

用字符边界切片保留组合内容

这个原创示例将 A、一个笑脸表情、e 加组合重音及 Z 拼在一起。程序同时列出单元数、码点数和边界切片，并实现按簇数截取前缀。示例供在对应 JDK 上使用，文中没有执行程序或提供实测输出。

import java.text.BreakIterator;
import java.util.Locale;
import java.util.Objects;

public class BoundaryDemo {
    public static void main(String[] args) {
        // A、补充平面表情、e 与组合重音、Z，用于区分三种计数口径。
        String text = "A\uD83D\uDE42e\u0301Z";
        System.out.println("UTF-16单元数=" + text.length());
        System.out.println("码点数=" + text.codePointCount(0, text.length()));

        // 返回值仍是原字符串偏移，直接用于 substring，不转换成码点序号。
        BreakIterator cursor = BreakIterator.getCharacterInstance(Locale.ROOT);
        cursor.setText(text);
        int begin = cursor.first();
        int groups = 0;
        while (true) {
            int end = cursor.next();
            if (end == BreakIterator.DONE) {
                break;
            }
            System.out.printf("[%d,%d) %s%n", begin, end, text.substring(begin, end));
            begin = end;
            groups++;
        }
        System.out.println("字素簇数=" + groups);
        System.out.println("前3簇=" + prefix(text, 3));
    }

    static String prefix(String text, int limit) {
        // 显式处理非法输入；空串或零上限均返回空前缀。
        Objects.requireNonNull(text, "text");
        if (limit 

按该输入和上述默认边界规则，预期有 6 个 UTF-16 单元、5 个码点、4 个字素簇。前三簇的前缀保留 A、完整笑脸以及带重音的 e，不包含最后的 Z。这些数值用于解释编码组成，不能当成所有表情或所有语言的通用长度表。

把边界位置当作 UTF-16 偏移使用

最容易混淆的是“返回了第几个字符”与“返回边界在哪”。边界迭代器给出后者；示例中 begin、end 是 substring 可以直接使用的半开区间端点。不要把第三个边界的数值再次当成码点序号转换，否则会混用坐标。

prefix 方法按边界推进指定次数；上限为零时切到起点，内容不足时保留原串。它拒绝负数上限，并通过 requireNonNull 明确空引用输入。若业务允许 null，应在调用层另行规定显示为空还是直接报错，避免让文本处理函数猜测业务含义。

升级和接入时统一计数口径

前端输入框、Java 服务和数据库可能分别按不同单位计数。昵称长度报错时，先记录是哪一层使用了哪种单位，再决定是否统一成字素簇规则。显示前缀的限制也不能代替数据库字节预算：两者需要独立处理。

依赖分段结果的应用，应把实际 JDK 版本和代表性文本保留在项目资料里。更换 JDK 或实现提供者时，重新确认组合重音、表情连接序列及区域标志等业务样本的行为，不把这里的单一示例扩大成跨版本保证。

BreakIterator 是有当前位置的对象。本例每次调用创建独立实例，避免多个请求共享游标状态。高频场景若计划复用，应先设计实例隔离，再评估对象创建开销，不能为了省一次创建而混用两段文本的状态。

改用 codePoints() 就等于按显示字符遍历吗？

不等于。码点遍历能避免把代理对拆开，但组合序列仍可能由多个码点构成。

字符边界会自动统一重音写法吗？

不会把分段等同于规范化。业务若需要统一等价文本，应单独制定规范化策略，并使用规范化后的文本重新计算位置。

能据此限制一行显示宽度吗？

不能。是否溢出还与字体、字号和布局有关，按字素簇截取只是避免在不合适的文本边界切开。

字符串下标对照资料：https://docs.oracle.com/en/java/javase/25/docs/api/java.base/java/lang/String.html。排查这类问题时，把“数量单位”和“位置坐标”分别写清楚，通常就能定位差异出现在哪一层。