深入 Ruby 03：String、Symbol 与编码

任务标题 '任务' 包含两个字符，在 UTF-8 中占六个字节。给任意字节贴上 UTF-8 编码标记不会自动修复它。Ruby 的 String 同时涉及内容字节、编码与可变性，输入验收必须分别检查这些条件。

文章卡

项目	内容
先修	第 01–02 篇；字节与字符的概念
实验	`bundle exec ruby labs/03/run.rb`
核心问题	字节是否有效、转码是否发生、修改影响哪个引用？
验收	字节数、字符数、非法输入、转码往返、别名与正则锚点
工程边界	标题与标签保持文本，固定状态使用 Symbol；外部数据在入口转换

内容与编码是两种信息

实验从一个可核对的短字符串开始：

1
2
3

text = '任务'
raise unless text.bytesize == 6
raise unless text.length == 2

bytesize 适合限制读取或传输的字节量，length 按字符串编码计算字符数量。用户感知的字符还可能由多个码点组成，例如组合音标或某些 emoji；界面截断需要研究字素簇，不能把任意 byteslice 或固定码点数当成完整显示字符的保证。这三种长度服务于不同需求。String

ASCII-8BIT 表示按字节看字符串，.b 可以得到这样的字节字符串。force_encoding 更改解释字节时使用的编码标记，不进行编码转换。本篇用一个不合法的 UTF-8 字节验证这点：

1 2	`bad = "\xFF".b.force_encoding(Encoding::UTF_8) raise if bad.valid_encoding?`

操作后仍是同一个非法字节。即使 bad.encoding 显示 UTF-8，也不能证明内容合法。若接收端规定输入是 UTF-8，必须检查 valid_encoding?；若原始字节确实是另一种编码，先按实际来源标记，再转码到目标编码。Encoding

转码与修复的契约不同

lab 将合法文本转成 UTF-16LE，再转回 UTF-8，比较原始文本是否保持。对非法字节向另一种字符编码转换，则验证 Encoding::InvalidByteSequenceError：

converted = text.encode(Encoding::UTF_16LE).encode(Encoding::UTF_8)
raise unless converted == text

begin
  bad.encode(Encoding::UTF_16LE)
  raise 'invalid bytes accepted'
rescue Encoding::InvalidByteSequenceError
end

这不是对全部编码的通用往返保证。某些字符在目标编码中没有表示，转码还可能产生 UndefinedConversionError。输入编码、目标编码和替代策略应随数据源明确，而不是让程序依赖终端的默认外部编码。

scrub 可以替换无效序列，本实验将这个字节变成替代字符 �。替换会损失原始内容，适用于显示容错时可以接受，作为用户标识或签名材料时却可能改变含义。Taskbook 的导入边界选择拒绝坏编码，避免把两个不同的坏输入归并成相同标题。日志可以单独采用替代策略，但不要让日志策略偷偷改变领域数据。

字符串修改通过别名传播

Ruby 变量保存对象引用。把字符串赋给另一个变量，不会产生独立内容：

mutable = String.new('ruby')
alias_text = mutable
mutable << '!'
raise unless alias_text == 'ruby!'

实验用 String.new 明确创建可变字符串。本工程的 Ruby 文件启用 frozen_string_literal: true，普通字符串字面量因此冻结；这个编译指令不是说明文字，移除它会改变修改字面量时的结果。Ruby 3.4 未写该指令的代码还有自身的字面量兼容行为，不能从某一个文件的结果外推全部 Ruby 代码。

<< 修改接收者，+ 通常产生新字符串。方法名带 ! 常用于标识比对应非感叹号方法更危险的版本，并不是“所有带 ! 都修改、所有不带 ! 都不修改”的语法规则；<< 已经是反例。需要知道一个方法是否改动输入，应读该方法的契约并运行别名实验。

Taskbook 的核心只接受有效 UTF-8 标题和标签；合法的其他编码也需要在入口按契约转码，否则明确拒绝。校验成功后复制标题和每个标签字符串。只复制最外层数组仍会共享任务 Hash 和内部 tags；只复制 tags 数组仍会共享各个标签字符串。复制深度取决于声明的数据结构，第 10 篇会检查 dup、clone 和冻结的边界。

Symbol 用于程序内的固定标识

任务状态 :todo 与文本 'todo' 不是同一种值：

1 2	`raise unless :todo == 'todo'.to_sym raise unless :todo != 'todo'`

Symbol 适合有限的程序标识，例如已知字段和枚举状态；String 适合用户标题、标签和文件内容。外部 JSON 的状态是字符串，第 26 篇会校验允许值再映射为内部 Symbol，而不是对所有用户输入无条件 to_sym。

“Symbol 永远不会被回收”是需要版本限定的旧经验，不能拿它说明本系列基线；反过来，可回收也不意味着可接受任意量的外部标识。动态制造大量名称仍有解析、分配和缓存成本。工程边界更直接的规则是限制输入体积、校验允许集合，并保持未知内容为普通文本。

Hash 中的 :title 与 'title' 也是不同键。不要让读取方法在两个键之间无条件兜底，这会使两者同时出现时的优先级不明确。核心层用 Symbol 键，JSON/CSV 入口统一解释外部结构，再调用核心校验。

正则锚点决定匹配的边界

本篇 lab 比较完整字符串锚点与行锚点：

1
2
3

raise unless /\Aruby\z/.match?('ruby')
raise if /\Aruby\z/.match?("ruby\n")
raise unless /^ruby$/.match?("ruby\n")

\A 与 \z 对应整个输入的开头和结尾；^ 与 $ 可以在行边界匹配。完整字段验证使用哪一种，必须由输入契约决定。只在合法单行样本上测试，两种写法都通过，边界差异就会被遗漏。Regexp

match? 适合只需要真假时使用；需要捕获值时，可以获取 MatchData。本实验用命名捕获提取 'task:12' 的数字字段，后续仍需通过数值转换和范围检查。正则命中只能证明某个模式满足，不能自动证明业务值正确。

不可信正则是另一种问题：让用户输入任意正则会引入性能与资源风险。固定模式也要考虑输入规模、复杂回溯与超时能力。第 38 篇会将这些条件纳入安全边界，本篇不通过一个短输入宣称模式对任意长度均安全。

实验与练习

labs/03/run.rb 输出 utf8=[6, 2]、invalid=false、替代字符以及 alias=ruby!，最后为 PASS 03。坏编码反例和带换行的正则反例都包含失败判定。

练习是在临时输入中依次使用合法 UTF-8、非法 UTF-8 和合法 UTF-16LE，写出接收函数分别拒绝还是转码，并加断言。另一个练习是实现只能包含 ASCII 数字的任务 ID 字符串检查，确认尾部换行、全角数字和空字符串均被按契约处理。不要只看正则打印的 MatchData。

参考资料

系列导航

导读 · 上一篇：02：数字与转换 · 下一篇：04：Array、Hash 与 Range · 完整源码包