读 Character 原代码

今天粗略读了一下Character的代码，总结如下：

 

1. 定义了一些 UnicodeSubset (UnicodeBlock) , 每一个UnicodeBlock 代表一个代码段(范围），一部分代码段表示一个UnicodeScript, 任何一个CodePoint都属于某一个UnicodeScript，但不一定属于某一个UnicodeBlock(因为有些代码段不属于任何subset or block--block的name 为null ，这种情况下UnicodeScript就是"UNASSIGNED")

 

2. 不是很理解为什么  public static UnicodeScript of(int codePoint) 用了  Arrays.binarySearch 而 public static UnicodeBlock of(int codePoint) 却是自己写的二分算法。

 

   UnicodeScript的算法：

Java代码  

1. int index = Arrays.binarySearch(scriptStarts, codePoint);   
2.            if (index < 0)   
3.                index = -index - 2;   
4.            return scripts[index];  

 int index = Arrays.binarySearch(scriptStarts, codePoint);
            if (index < 0)
                index = -index - 2;
            return scripts[index];

 

  UnicodeBlock的算法：

Java代码  

1. int top, bottom, current;   
2.           bottom = 0;   
3.           top = blockStarts.length;   
4.           current = top/2;   
5.   
6.           // invariant: top > current >= bottom && codePoint >= unicodeBlockStarts[bottom]   
7.           while (top - bottom > 1) {   
8.               if (codePoint >= blockStarts[current]) {   
9.                   bottom = current;   
10.               } else {   
11.                   top = current;   
12.               }   
13.               current = (top + bottom) / 2;   
14.           }   
15.           return blocks[current];  

  int top, bottom, current;
            bottom = 0;
            top = blockStarts.length;
            current = top/2;

            // invariant: top > current >= bottom && codePoint >= unicodeBlockStarts[bottom]
            while (top - bottom > 1) {
                if (codePoint >= blockStarts[current]) {
                    bottom = current;
                } else {
                    top = current;
                }
                current = (top + bottom) / 2;
            }
            return blocks[current];

 

3. 为 0-127 (BASIC_LATIN , LATIN_1_SUPPLEMENT, LATIN_EXTENDED_A) 的Code Point建了cache pool, 这个范围的Character new出来都是单例。

 

4. isValidCodePoint 用了一个简易的小tricky 优化了一下：

Java代码  

1. // Optimized form of:   
2.        //     codePoint >= MIN_CODE_POINT && codePoint <= MAX_CODE_POINT   
3.        int plane = codePoint >>> 16;   
4.        return plane < ((MAX_CODE_POINT + 1) >>> 16);  

 // Optimized form of:
        //     codePoint >= MIN_CODE_POINT && codePoint <= MAX_CODE_POINT
        int plane = codePoint >>> 16;
        return plane < ((MAX_CODE_POINT + 1) >>> 16);

 

5.  public static int charCount(int codePoint)  没有validate codePoint， 如果codePoint为负数时，也返回1就不太对了。

 

6.  isJavaIdentifierStart 和 isJavaIdentifierPart 可以用来判断一个字符可不可以用来作为Java标识符的开头和部分。

 

7.  字母 A-Z 可以用来表示基数为10 以上的进制中的一位digit。forDigit方法用来获得某个进制中某字母代表的digit，而digit方法可以得到某个进制中某个digit用哪个字母表示。

 

8.  unicode 为字符定义了一个数值，比如‘A’是10 ， ‘Ⅸ’  是9， 可以用 getNumericValue方法得到一个Code Point的该值。

 

9.  isWiteSpace方法用来判断某个Code Point是不是Java认为的空白字符。

 

10.  isMirrored用来判断字符是否具有镜面对称的字符。比如'(' , '['.

 

11.  提供了一个 非public 的static char[] toUpperCaseCharArray(int codePoint) 是因为unicode 规定在 BMP中的unicode可能出现其大写是双字符的情况。比如 ß 的大写是 SS。这个方法会被String使用，所以只有String的toUpperCase会将ß 变成SS，而Character不行。

 

12. getName用来得到Code Point的名称，比如Character.getName(' ') 就是 SPACE， 对于没有名称的character就用它的UnicodeBlock名（下划线用空格替换）加上Code Point代码。比如 Character.getName('\uD801') 就是 HIGH SURROGATES D801。如果没有UnicodeBlock，就返回null。