Java の文字列リテラルの最大長は？

Java の文字列リテラルは、最長で何文字まで許容されるのでしょうか。
具体的には、以下のように AAA… と文字を並べて何文字までならコンパイルができるのか、調べてみました。

String str = "AAAAAAAA…（略）…AAAA";

今回は「文字列リテラル（ソースコード上の " " で囲われた文字列）」の話です。

Java 言語仕様

まず、Java 言語仕様を確認しました。しかし、文字列リテラルの最大長については触れられていませんでした。
Java Language Specification - Chapter 3. Lexical Structure - 3.10.5. String Literals

つまり、仕様未定義のようです。
そのため、文字列リテラルの長さをどこまで許容するのかは、 コンパイラの実装依存になるようです。

Java 仮想マシン仕様

一方で、Java 仮想マシン仕様には長さに関する項目があります。

文字列リテラルは、クラスファイルの定数プールに CONSTANT_Utf8_info 構造体として格納されるのですが、この構造体にはUTF-8のバイト配列とその長さが含まれています。

CONSTANT_Utf8_info {
    u1 tag;            // タグ (0x1)
    u2 length;         // バイト配列の長さ
    u1 bytes[length];  // バイト配列（中身は修正UTF-8）
}

Java Virtual Machine Specification - Chapter 4. The class File Format - 4.4.7. The CONSTANT_Utf8_info Structure

この長さのフィールドは u2（2バイト）なので、最大値は 65,535 です。
文字列リテラルは修正UTF-8で格納されているので、'A' (= UTF-8で1バイト）であれば 65,535 文字まではOKのように見えます。

OpenJDK コンパイラの場合

では、実際に OpenJDK コンパイラは、文字列リテラルの長さをどこまで許容しているのでしょうか。
検証してもよくわからなかったので、 StackOverflow で聞きました。

その結果、以下の両方の条件を満たす場合 はコンパイルが通ることがわかりました。

1. 文字数は、65,534文字まで
2. UTF-8 で、65,535バイトまで

---

例えば、下記の A（UTF-8で1バイトの文字）が 65,534 個の場合はコンパイルができます。
一方、65,535 個だと1の条件に引っかかって、コンパイルエラー「定数文字列が長すぎます」 になります。

String ok = "AAAAAAAAAA…（略）…AAAA";   // 65534個なら OK
String ng = "AAAAAAAAAA…（略）…AAAAA";  // 65535個なら NG

また、1文字目が ©（UTF-8で2バイトの文字）、2文字目以降が A 66,533個だと、１と2の両方を満たすのでコンパイルができます。
さらに、2文字目の A を © に置き換えると2の条件に引っかかって、別のコンパイルエラー「文字列"©©AAAAAAAAAAAAAAAAAA..."のUTF8表現が、定数プールに対して長すぎます」 になります。

String ok = "©AAAAAAAAA…（略）…AAAA";  // © が1個 + A が65534個なら OK
String ng = "©©AAAAAAAA…（略）…AAAA";  // © が2個 + A が65533個なら NG

まとめると、このようになります。
（今回のコードは Gist に置いておきました）

文字列リテラル	文字数	UTF-8	結果
A が 65,534個	65,534文字	65,534バイト	OK
A が 65,535個	65,535文字	65,535バイト	NG
© + A が65,533個	65,534文字	65,535バイト	OK
©© + A が65,532個	65,534文字	65,536バイト	NG

前者のエラー「定数文字列が長すぎます」になるのが、コンパイラのこの部分です。
jdk/src/jdk.compiler/share/classes/com/sun/tools/javac/jvm/Gen.java at 9320ef9b29927b8fff52055d7a7a89db9b15b95b · openjdk/jdk

private void checkStringConstant(DiagnosticPosition pos, Object constValue) {
    if (nerrs != 0 || // only complain about a long string once
        constValue == null ||
        !(constValue instanceof String str) ||
        str.length() < PoolWriter.MAX_STRING_LENGTH)
        return;
    log.error(pos, Errors.LimitString);
    nerrs++;
}

なぜか、文字数と定数プールの文字列の長さの上限（UTF-8 で 65,535 バイト） を比較しています。

回避策は簡単です。
2つの変数に分けて格納して、+ 演算子でつなげればOKです。

String str1 = "AAAAAAAAAA…（略）…AAAA";
String str2 = "AAAAAAAAAA…（略）…AAAA";
String str = str1 + str2;    // 文字列の長さは Integer.MAX_VALUE まで OK 

変数に格納せずに + 演算子で文字列リテラルをつなげるのは駄目です。コンパイル段階で一つの文字列リテラルになってしまい、結局コンパイルエラーになります。

Eclipse JDT コンパイラの場合

eclipse 内蔵のコンパイラだと、何文字でもOKです。
OpenJDK コンパイラがNGになったパターンでも、そのままコンパイルが通ります。¹

コンパイラが、定数プールに収まるように複数の文字列リテラルに分割して、実行時に StringBuilder で結合して一つの文字列にする、という形にコンパイルしてくれるためです。

まとめ

もともと、これは JJUG CCC 2023 Fall のバイナリビューアを使ってクラスファイルを読んでみよう！というセッションの資料に「文字列リテラルの長さは、UTF-8 で最大65,535バイト」って書くのにあたって検証したときに気づいたことでした。
もしよければ、この資料も見てもらえると参考になるかもしれません。

Java Advent Calendar 2023、明日は @earu さんです。お楽しみに。

1. あまりに長いと、Eclipse が重くなりますが。 ↩