Как устроен String и почему к нему нельзя обращаться по индексу?

Устройство String: почему обращение по индексу неоднозначно?

• В большинстве современных языков String — это последовательность символов, однако способ её внутреннего представления может отличаться.
• При использовании UTF-8/UTF-16 один символ способен занимать разное количество байт.
• Поэтому доступ по индексу нередко обращается к байтам, а не к символам, особенно при многобайтной кодировке.
• Так, в UTF-16 символы из BMP занимают 2 байта, тогда как эмодзи представлены 4 байтами — суррогатной парой.
• В результате индексирование возвращает байт или кодовую единицу, а не полноценный символ.
• Для корректного извлечения символов применяют итераторы либо специальные методы, которые учитывают кодировку.
• Такой подход помогает избежать ошибок при обработке Unicode и сохраняет корректность операций со строками.

При необходимости можно также подготовить краткое объяснение для конкретного языка.

Развёрнутый ответ

Основной ответ

В языках программирования String обычно представляется последовательностью символов, но конкретный способ хранения и доступа к элементам зависит от языка и его работы с кодировками. Например, в Java и Kotlin строка является неизменяемым объектом, построенным на массиве кодовых единиц UTF-16. При этом прямой доступ по индексу к символу в смысле Unicode code point часто невозможен или требует дополнительной логики. Причина в том, что элементы UTF-8 и UTF-16 могут иметь переменную длину: индекс массива байт или 16-битных единиц не всегда однозначно указывает на позицию символа.

Ключевые особенности

• Кодировки с переменной длиной символа: в UTF-8 символ занимает от 1 до 4 байт, а в UTF-16 — одну или две 16-битные единицы, образующие суррогатные пары. Поэтому получить «n-й символ» простым обращением к индексу массива нельзя без дополнительной обработки.
• Неизменяемость строк и безопасность памяти: в большинстве современных языков строки immutable. Это обеспечивает потокобезопасность и позволяет применять оптимизации, включая интернирование, но исключает прямое изменение элемента по индексу.
• Абстракция над кодовыми единицами: под обращением к символу «по индексу» обычно понимают логический Unicode code point. Для его поиска может потребоваться пройти последовательность и подсчитать фактические символы (grapheme clusters). Поэтому indexing часто реализован в виде метода с линейной сложностью относительно длины строки.

Практическое применение

В Java и Kotlin метод charAt(index) возвращает 16-битный char — кодовую единицу UTF-16, а не полноценный Unicode-символ. Для получения code point используют codePointAt или библиотечные классы, учитывающие суррогатные пары. В JavaScript строка также является последовательностью UTF-16, поэтому индексирование возвращает кодовую единицу, что может приводить к ошибкам со смайликами и иероглифами. В языках с нативной поддержкой UTF-8, например Rust, строка хранится как массив байт, и прямое индексирование запрещено: для получения n-го символа используется итератор.

Итак, запрет или ограничение прямого индексирования строк объясняется особенностями кодировок, необходимостью корректно обрабатывать Unicode, а также требованиями к безопасности и целостности данных.