一字不一定一字节

用 UTF-8 处理中文，分清字节、码点和人眼看到的字符。

01 · 先看完整例子

数一数“长安”

先比较两个数字，再看清洗后的词语 list。

Elixir

text = "  长安 春风  "

# 中文字符在 UTF-8 中通常占多个字节
byte_size("长安")
String.length("长安")

# 先去掉两端空格，再按空格切词
text
|> String.trim()
|> String.split(" ", trim: true)

先对照结果

byte_size("长安") 得到 6，String.length("长安") 得到 2。
管道得到 ["长安", "春风"]。

02 · 回头拆代码

从第一行往下读

字节数适合协议、文件大小等底层边界。
给读者显示长度时，通常使用 String.length/1。
清洗文字时先明确空白和分隔规则。

03 · 认清新符号

符号不是暗号

byte_size/1

计算字符串占多少字节。

String.length/1

计算人眼看到多少个字符。

String.split/2

按分隔符把字符串切成 list。

04 · 代码里的概念

把名字和意思对上

UTF-8

把世界各地文字编码成字节的一套规则。Elixir 字符串默认使用它。

字素

人眼看到的一个字符。它可能由不止一个 Unicode 码点组成。

05 · 再说清楚

这些写法为什么有用

屏幕上一个汉字，存进电脑后常占多个字节。计字节和计字符，是两件事。

Elixir 字符串使用 UTF-8。String 模块按文字处理；byte_size/1 按底层字节处理。

读文件或用户输入时，常先 trim 去掉首尾空白，再 split 切开。

06 · 自己改一次

合上答案，动手

把 " 桃,李,杏 " 变成三个词。

练习起点

"  桃,李,杏  "
|> String.____()
|> String.split(____)

目标结果： 得到 ["桃", "李", "杏"]。

卡住了，再看提示

先用 trim，再按 "," 切。

运行过以后，再看一种答案

一种答案

"  桃,李,杏  "
|> String.trim()
|> String.split(",")

想一想：`byte_size("长安")` 为什么不是 2？

因为它数 UTF-8 字节，不数人眼看到的字符；两个汉字共占 6 个字节。

带走

记住三句

1
字符数与字节数可能不同。
2
文字处理优先看 String 模块。
3
输入文字要先清洗，再解析。

本课结束代码也跑过一次，就把这一课收好。