编程中，字符串一般使用 Unicode。但是，绝大部分人并不了解 Unicode，常常犯一些低级错误。本文列出一些问题，都常在实际情况下遇到。不讲过于技术性或理论性的东西，因为我不懂。
本文也为我自己备忘。和绝大部分人一样，我也不了解 Unicode，本文可能有错误。
资料
这个术语表很好用，简洁明了：Glossary。或者直接看标准。
字符
一般认知的字符常常是 grapheme cluster。Unicode 中的字符一般指 encoded character，即从 abstract character 到一个或多个 code points 的映射（例如带附加符号的字母可以映射到多个 code point）。至于 abstract character，我搞不懂到底是啥。技术上常说的字符一般是 code point。而编程语言的字符类型可能有如下几种：
- Code unit（码元）。通常是 UTF-16 的，也就是十六位无符号整数。也有 UTF-8 的，八位。Java 用这种。
- Code point（码点）。0 到 10FFFF 的整数。Haskell 用这种。
- Scalar value。Code point 去除代理字符。也就是 0 到 D7FF 或 E000 到 10FFFF。Rust 用这种。
- Grapheme cluster（字簇）。据说 Swift 用这种。
Code unit 在访问上比较容易，而 scalar value 和 code point 则可以有其属性。
字符串
标准的字符串是 code unit 序列，用于表示 scalar value 序列。
字符串类型通常使用 UTF-16 或 UTF-8。许多使用 UTF-16 的语言（如 JavaScript）允许字符串格式错误，也就等同于十六位无符号整数序列（非正式名称 WTF-16）。
字符串操作
正确的字符串连接后依然正确，切分则不一定。WTF-16 随便怎么弄都依然是 WTF-16。
正确的字符串，首尾切除若干 code unit 后，若把一个字符切两半就会错误。但是，正确与否一定可以检测出来，即便错误，也一定可以剔除错误部分，不会连累其他字符，也不会多出莫名其妙的字符。不过 WTF-16 不行。
字符串匹配（子串查找）可以直接在 code unit 层面进行，如果字符串格式正确，结果也正确（若要正规化，则应先正规化）。
字符串的相等比较，应当正规化：NFC、NFD、NFKC、NFKD。否则，附加字符等情况可能会让相同的 abstract character 序列有着不同的 code point 序列。
正规化是幂等的。
正规化是上下文相关的，转换后连接不等于连接后转换。
字符操作
通过字符串的下标访问 scalar value 或者 code point，通常是线性复杂度的。如果复杂度很低，一般说明访问的其实是 code unit。
一般不需要通过字符串的下标访问字符（例如 scalar value）。如果用到了，一般说明做法不好。建议使用字符串匹配，或者正则表达式。
要获取字符串中的字符，建议获取 grapheme cluster。这通常都是最佳方案，例如在翻转字符串时。用 scalar value 或 code point 会在附加符号等地方出问题，但好歹还是能用的。不要用 code unit 直接操作字符，你很可能会得到字符的一部分，啥都干不了。
字符属性
绝对不要自己处理字符的性质，除非你只用 ASCII。Unicode 自带了很多字符的属性，用于判断字符性质。JavaScript 的正则表达式可以用 \p 匹配属性，请记得在正则后加上 u 标志。例如：
- 匹配汉字：
\p{Script=Han}或\p{Ideographic} - 匹配大小写：
\p{Uppercase}和\p{Lowercase}（若要判断字符串是否大小写，不应用此方法） - 匹配 Unicode 标识符：
\p{XID_Start}\p{XID_Continue}*（注意，XID_Start不含下划线）
大小写转换
大小写转换有可能增加长度（例如德语「ß」的大写是「SS」）。
大小写转换是上下文相关的，转换后连接不等于连接后转换（例如希腊字母 ∑ 的小写是 σ 或 ς）。
大小写转换可以是本地化的，不同地区转换结果可以不同（似乎只用于土耳其语的 Iı、İi）。
转过去再转回来，不等于原来的（废话）。转过去再转回来再转过去，不等于直接转过去（上面哪个德语的例子就是）。
判断是否大、小写，应先进行 NFD 规范化，然后转为大、小写，判断有无变化。
大小写无关形式应当进行大小写折叠，使用专门的 toCasefold 方法，不要转成大写或小写。
如果要做大小写无关的、规范化的相等比较，NFC 或 NFD 规范化应当在 toCasefold 后进行，然后再比较。例如 NFD(toCasefold(x))。该操作是幂等的。
其他
Unicode 博大精深，我大多都不了解，在此列举一些 Unicode 包含的内容：
- 断词算法，以及零宽空格和零宽连接符等
- 双向算法（从左往右或从右往左），以及相关字符（很多人喜欢在用户名里用之）
- 汉字的基本信息（UniHan），如读音、结构等
2025-07-28 补充：修复了一些错误，添加了一些内容。此外，Unicode 16 终于能在网页看了！终于不用等巨大的 PDF 打开半天了！喜大普奔！！！