Lớp ký tự [...] và quantifier {m,n} là nền của mọi regex, nhưng chúng giấu vài cái bẫy. Bài này đo thật: trên 'Hoà', \w khớp cả chữ à (Unicode) còn [a-zA-Z] thì đứt ở à thành 'Ho'; và trên '1234567', {2,4} greedy lấy 4 trước rồi 3, còn {2,4}? lazy lấy 2 mỗi lần. Xem cả opcode MAX_REPEAT + IN RANGE mà engine biên dịch ra.
Regex và tiếng Việt là mỏ bug ít người lường trước. Bài này đo thật: python \w bắt 'chào' nguyên vẹn nhưng [a-zA-Z] cắt thành 'ch','o'; Go \w lại chỉ ASCII nên phải dùng \p{L}. Chữ 'à' có hai cách mã hóa (NFC 1 codepoint, NFD 2 codepoint) trông giống hệt mà regex khớp khác nhau. Và . khớp 1 rune chứ không phải 1 byte. Cách xử lý cho đúng.
Chuỗi Go là một dây hạt cườm: mỗi byte một hạt, chữ 'ế' là ba hạt xâu thành một ký tự. s[i] đưa bạn một hạt lẻ, cắt giữa chừng làm gãy đôi chữ có dấu, và range mới đi theo từng ký tự.
UTF-8 thành mặc định từ Java 18, Files.readString ném lỗi trong khi new String âm thầm thay ký tự, NFC khác NFD khiến tên tệp từ máy Mac 'biến mất' trên Linux, và ba byte BOM vô hình làm lệch độ dài chuỗi.