Java中的字符串,代码点和代码单元

水深无声 2022-04-13 06:22 170阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3NDUwMDg5_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3NDUwMDg5_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3NDUwMDg5_size_16_color_FFFFFF_t_70 2][]

在Java字符串处理时，在使用length和charAt方法时，应该格外小心，因为length返回的是UTF-16编码表示下的代码单元数量，而非我们所认为的字符的个数，charAt方法返回的是指定位置处的代码单元，而非我们所认为的字符。

至于为什么都是“代码单元”而非字符，这和Unicode字符集的增补相关。

要想获得字符串中的字符的个数，应当使用aString.codePointCount(0, aString.length())；要想获得指定位置处的字符，使用aString.codePointAt(i);需要注意codePointAt的返回值，是int而非char。

枚举字符串的正确方法：

for (int i = 0; i < aString.length();) \{  
int character = aString.codePointAt(i);  
if (Character.isSupplementaryCodePoint(character)) i += 2;  
else ++i;  
\}

将codePoint转换为char\[\]可调用Character.*toChars*方法，然后可进一步转换为字符串：

String s=Character.*toChars(codePoint)*;

========================

Java字符串由char序列组成。从前面已经看到，字符数据类型是一个采用UTF-16编码表示Unicode代码点的代码单元。大多数的常用Unicode字符使用一个代码单元就可以表示，而辅助字符需要一对代码单元表示。

length方法将返回采用UTF-16编码表示的给定字符串所需要的代码单元数量。例如：

Stringgreeting = "Hello";

**int** n = greeting.length();// is 5

要想得到实际的长度，即代码点数量，可以调用：

**int** cpCount =greeting.codePointCount(0, greeting.length());

调用s.charAt(n)将返回位置n的代码单元，n介于0~s.length()-1之间。例如：

**char** first =greeting.charAt(0); // first is 'H'

**char** last =greeting.charAt(4); // last is 'o'

要想得到第i个代码点，应该使用下列语句

**int** index =greeting.offsetByCodePoints(0, i);

**int** cp =greeting.codePointAt(index);

*    注释：Java以独特的风格对字符串中的代码单元计数：字符串中的第一个代码单元位置为0。这种习愤起源于C，这样处理主要出于技术上的原因。具体理由似乎已经淡忘，而麻烦却保留了下来。但是，许多程序员习惯于这种风格，因而Java设计者也就将其保留了下来。*

为什么会对代码单元如此大惊小怪？请考虑下列语句：

Ƶis the set of integers

使用UTF-16编码表示Ƶ需要两个代码单元。调用**char** ch =sentence.charAt(1);返回的不是空格，而是第二个代码单元Z。为了避免这种情况的发生，请不要使用char类型。这太低级了。

如果想要遍历一个字符串，并且依次査看每一个代码点，可以使用下列语句：

**int** cp =sentence.codePointAt(i);

**if** (Character.*isSupplementaryCodePoint*(cp))i += 2;

**else** i++;

非常幸运，codePointAt方法能够辨别一个代码单元是辅助字符的第一部分还是第二部分，并能够返回正确的结果。也就是说，可以使用下列语句实现回退操作：

i--;

**int** cp =sentence.codePointAt(i);

**if** (Character.*isSupplementaryCodePoint*(cp))i--;

参考文章

[http://www.cnblogs.com/vinozly/p/5155304.html][http_www.cnblogs.com_vinozly_p_5155304.html]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3NDUwMDg5_size_16_color_FFFFFF_t_70]: /images/20220413/b411b5a9180b47b8b6bb7e08853b07af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3NDUwMDg5_size_16_color_FFFFFF_t_70 1]: /images/20220413/c9de5917bd76491e870adae451eadb5a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzM3NDUwMDg5_size_16_color_FFFFFF_t_70 2]: /images/20220413/c2aae77847c64585ade1cb6d84621cd4.png
[http_www.cnblogs.com_vinozly_p_5155304.html]: http://www.cnblogs.com/vinozly/p/5155304.html