Java字符串与Unicode编码（码点、代码单元、基本多语言平面BMP、辅助平面、代理对）

Java字符串与Unicode编码

1. Unicode编码简介

Unicode是一个为世界上所有书写系统设计的字符编码标准。它旨在解决不同编码标准之间不兼容的问题，使得计算机能够处理和显示世界上几乎所有的字符。Unicode为每个字符分配了一个唯一的数字，称为“码点”（Code Point）。

2. Unicode码点与代码单元

• 码点（Code Point）：Unicode中的一个字符对应的唯一数字标识。
• 代码单元（Code Unit）：在特定编码方案中表示码点的基本单位。在Java中，char 数据类型通常用作Unicode代码单元。

3. Java中的char数据类型

在Java中，char 数据类型是一个16位的无符号整数，能够表示的范围是0到65535（即0x0000到0xFFFF）。这个范围足以覆盖Unicode基本多语言平面（BMP）中的所有字符，BMP包含了最常用的字符。然而，Unicode标准定义的字符远不止这些，还包括了许多辅助平面中的字符，如一些表情符号和特殊字符。

4. BMP与辅助平面

• 基本多语言平面（BMP）：包含了从U+0000到U+FFFF的字符，这个范围内的字符可以用一个16位的 char 值（即一个代码单元）来表示。
• 辅助平面：包含了从U+10000到U+10FFFF的字符，这些字符无法直接用单个16位的 char 值表示。因此，Java使用一对 char 值（即两个代码单元）来表示这些字符，这种表示方式称为“代理对”（Surrogate Pair）。

5. 代理对

代理对是一种特殊的编码机制，用于在Java中表示辅助平面中的Unicode字符。每个代理对由两个 char 值组成，第一个值是高代理项（High Surrogate），范围从U+D800到U+DBFF；第二个值是低代理项（Low Surrogate），范围从U+DC00到U+DFFF。通过这两个值，可以唯一确定一个辅助平面中的字符。

6. Java字符串与Unicode

在Java中，字符串是由 char 值序列组成的，这意味着字符串可以包含BMP中的字符，也可以包含通过代理对表示的辅助平面中的字符。当处理包含辅助平面字符的字符串时，需要注意字符串的长度（即 char 值的数量）可能与字符的实际数量（即码点的数量）不同。

例如，一个包含单个表情符号（如😀）的字符串在Java中实际上由两个 char 值组成（即一个代理对），但通常我们认为这个字符串只包含一个字符。

public class UnicodeExample {  
    public static void main(String[] args) {  
        // 创建一个包含单个表情符号的字符串  
        String smileyString = "😀";  
  
        // 使用String.length()方法获取字符串的长度（char值的数量）  
        int length = smileyString.length();  
        System.out.println("String length (char count): " + length); // 输出2，因为表情符号是一个代理对  
  
        // 使用String.codePointCount()方法获取字符串中的码点数量  
        int codePointCount = smileyString.codePointCount(0, smileyString.length());  
        System.out.println("Code point count: " + codePointCount); // 输出1，因为只有一个字符  
  
        // 使用String.charAt()方法访问字符串中的字符（这将返回代理对的一部分）  
        char firstChar = smileyString.charAt(0);  
        char secondChar = smileyString.charAt(1);  
        System.out.println("First char (surrogate high): " + (int) firstChar); // 输出代理对的高部分  
        System.out.println("Second char (surrogate low): " + (int) secondChar); // 输出代理对的低部分  
  
        // 使用String.codePointAt()方法获取完整的字符（码点）  
        int codePoint = smileyString.codePointAt(0);  
        System.out.println("Code point: " + codePoint); // 输出表情符号的码点  
  
        // 将码点转换回字符  
        char[] chars = Character.toChars(codePoint);  
        System.out.println("Character representation: " + new String(chars)); // 输出表情符号  
    }  
}

输出结果
String length (char count): 2
Code point count: 1
First char (surrogate high): 55357
Second char (surrogate low): 56832
Code point: 128512
Character representation: 😀

// 使用String.codePointAt()方法获取完整的字符（码点）
int codePoint = smileyString.codePointAt(0);
System.out.println("Code point: " + codePoint); // 输出表情符号的码点

• String.codePointAt(int index) 方法用于获取指定索引处的字符的码点。在这个例子中，index是 0，表示我们想要获取字符串中第一个字符的码点。
• 由于表情符号（如 😀）是一个代理对，即由两个 char 值组成的字符，因此我们不能使用 charAt 方法来获取完整的字符。而 codePointAt 方法能够正确地返回整个字符的码点，无论它是否是一个代理对。
• codePoint 变量存储了获取到的码点值，我们可以通过打印它来查看表情符号的码点。

// 将码点转换回字符
char[] chars = Character.toChars(codePoint);
System.out.println("Character representation: " + new String(chars)); // 输出表情符号

• Character.toChars(int codePoint) 方法用于将码点转换为对应的 char 数组。这个数组可能包含一个或两个 char 值，取决于码点是否表示一个代理对。
• 在这个例子中，codePoint 是一个表情符号的码点，因此 toChars 方法会返回一个包含两个 char 值的数组，这两个值共同表示表情符号。
• 我们通过将 chars 数组传递给 String 的构造函数来创建一个新的字符串，该字符串仅包含我们之前获取的码点对应的字符。然后，我们打印这个字符串来查看表情符号。

7. 注意事项

• 当处理包含辅助平面字符的字符串时，使用String.length()方法将返回char值的数量，而不是码点的数量。如果需要获取码点的数量，应使用String.codePointCount(int beginIndex, int endIndex)方法。
• 使用String.charAt(int index)方法访问字符串中的字符时，如果字符位于辅助平面，该方法将只返回代理对的一部分，而不是完整的字符。要获取完整的字符，应使用String.codePointAt(int index)方法。

Java中的字符串是由char值序列组成的，char数据类型采用UTF-16编码表示Unicode码点。BMP中的字符可以直接用一个char值表示，而辅助平面中的字符则需要通过代理对（即两个char值）来表示。在处理包含辅助平面字符的字符串时，需要注意char值的数量与码点数量之间的差异，并选择合适的方法来获取和处理这些字符。