为什么 Ruby 1.9 中具有相同字节和编码的两个字符串不相同？

Question

在 Ruby 1.9.2 中，我找到了一种方法来使两个字符串具有相同的字节、相同的编码并且相等，但它们具有不同的 length 和 [] 返回的不同字符。

这是一个错误吗？如果这不是一个错误，那么我想完全理解它。 Ruby 1.9.2 String 对象中存储了哪些类型的信息，使得这两个字符串具有不同的行为？

下面是重现此行为的代码。以 #=> 开头的注释显示了我从该脚本中获得的输出，括号内的文字告诉您我对该输出的判断。

#!/usr/bin/ruby1.9
# coding: utf-8
string1 = "\xC2\xA2"       # A well-behaved string with one character (¢)
string2 = "".concat(0xA2)  # A bizarre string very similar to string1.
p    string1.bytes.to_a    #=> [194, 162]  (good)
p    string2.bytes.to_a    #=> [194, 162]  (good)
puts string1.encoding.name #=> UTF-8  (good)
puts string2.encoding.name #=> UTF-8  (good)
puts string1 == string2    #=> true   (good)
puts string1.length        #=> 1      (good)
puts string2.length        #=> 2      (weird!)
p    string1[0]            #=> "¢"    (good)
p    string2[0]            #=> "\xC2" (weird!)

我正在运行 Ubuntu 并从源代码编译了 Ruby。我的 Ruby 版本是：

ruby 1.9.2p0 (2010-08-18 revision 29036) [x86_64-linux]

Answer 1

这是 Ruby 的错误，已修复 r29848。

Answer 2

Matz 通过 Twitter 提到了这个问题：

http://twitter.com/matz_translator/status/6597021662187520

< a href="http://twitter.com/matz_translator/status/6597055132733440" rel="nofollow">http://twitter.com/matz_translator/status/6597055132733440

“很难确定这是一个错误，但是，保持原样是不可接受的，我宁愿解决这个问题。”

Answer 3

我认为问题出在字符串的编码上。查看 James Grey 的关于 Unicode 编码的 灰色阴影：Ruby 1.9 的 String 文章。

---

其他奇怪的行为：

# coding: utf-8

string1 = "\xC2\xA2"       
string2 = "".concat(0xA2)  
string3 = 0xC2.chr + 0xA2.chr

string1.bytes.to_a    # => [194, 162]
string2.bytes.to_a    # => [194, 162]
string3.bytes.to_a    # => [194, 162]

string1.encoding.name # => "UTF-8"
string2.encoding.name # => "UTF-8"
string3.encoding.name # => "ASCII-8BIT"

string1 == string2    # => true
string1 == string3    # => false
string2 == string3    # => true

string1.length        # => 1
string2.length        # => 2
string3.length        # => 2

string1[0]            # => "¢"
string2[0]            # => "\xC2"
string3[0]            # => "\xC2"

---

string3.unpack('C*') # => [194, 162]
string4 = string3.unpack('C*').pack('C*') # => "\xC2\xA2"
string4.encoding.name # => "ASCII-8BIT"
string4.force_encoding('UTF-8') # => "¢"

string3.force_encoding('UTF-8') # => "¢"
string3.encoding.name # => "UTF-8"