详解Character中的相关code-point方法

缘由

在java中有许多针对code-point的相关方法，由于工作需要，对部分常用的code-point方法进行记录下。

Unicode和Code-point的关系

“一个普通字符是一位，一个emoji表情是两位。Mysql应该用utf8mb4存储emoji，而不应该用utf8”这是大多数人真正意义上去了解到unicode的开端，关于unicode的一些基础知识在这里就不普及了。为了方便，下面的特殊unicode的展示都用emoji作为示例（毕竟这是大多数人所认知的双位字符）。

下面有一段代码

代码块1
String ch = "a";
System.out.println(ch.length());

很显然，输出的结果是1，因为a是一位；又有一段代码

代码块2
String emoji = "😠";
System.out.println(emoji.length());

这里的输出是2，但其实，这个emoji表情对于code-point来说的话其实是一个（应该用codePointCount来统计，后面API会说）。

那么现在有一个问题，有时候我们需要循环处理字符串中的内容，如果遇到这种情况会怎样？来看一段代码

代码块3
String ch = "abcd";
for (int i = 0; i < ch.length(); i++) {
    System.out.println(ch.charAt(i));
}

很显然，会分别打印出来a、b、c、d，那如果打印我们代码块2中的emoji时会发生什么事情，来看下代码

代码块4
String emoji = "😠";
for (int i = 0; i < emoji.length(); i++) {
    System.out.println(emoji.charAt(i));
}

不看答案，想一下会打印出什么。
自己去试一下的话会发现，打印出了两行问号，并不是一些人所认定的两行unicode代码（这个emoji的实际代码是\uD83D\uDE20）。
这样的情况对于我们去遍历一个字符串是不友好的。

API

Charatcer.toCodePoint

toCodePoint方法是将一个unicode的高位和低位进行结合后拼接输出,例如😠对应的unicode的是\uD83D\uDE20，可以调用codePoint对其进行拼接。

System.out.println( Character.toCodePoint('\uD83D','\uDE20'));

打印结果是128544，对应这个unicode字符。

Character.isValidCodePoint

isValidCodePoint用于判断当前输入是否是一个标准的codepoint，判断的标准和unicode的定义保持一致，是否位于0x000000~0X10FFFF之间

Character.codePointCount

计算数组中的codepoint数量，正如上方代码块2下方的解释一样，一个emoji应当算一个，而“你😠好”的codepoint的数量应当是3而不是4。

Character.isHighSurrogate\Character.isLowSurrogate

isHighSurrogate和isLowSurrogate是用于判断高位和地位的方法，例如😠对应的unicode的是\uD83D\uDE20，我们分别看下。

代码块5
System.out.println( Character.isHighSurrogate('\uD83D'));
System.out.println( Character.isHighSurrogate('\uDE20'));
System.out.println( Character.isLowSurrogate('\uD83D'));
System.out.println( Character.isLowSurrogate('\uDE20'));

结果分别是true\false\false\true，很显然，\uD83D是高位，\uDE20是低位。注意，如果是单字符，非双字节unicode，无论是isHighSurrogate还是isLowSurrogate都将返回false。

Character.codePointAt

codePointAt方法有多个实现，但终归是返回每一个codepoint的unicode代码，以刚刚代码块4进行举例.

代码块6
char[] emoji = "ab😠cd".toCharArray();
System.out.println(Character.codePointAt(emoji, 1));
System.out.println(Character.codePointAt(emoji, 2));
System.out.println(Character.codePointAt(emoji, 3));

这个地方打印出来的是结果如下。

98
128544
56864

注意，代码块6的打印结果中，第2行是结合了两个unicode得出来的结果，而第三方只是这个unicode的低位。

Character.codePointBefore

codePointBefore和codePointAt逻辑一样，但是在判断时不是当前的index，而是index之前的结果，例如传入的index是2，则查询的范围是0-1，注意，此处也会进行高低位的判断。

Character.highSurrogate\Character.lowSurrogate

highSurrogate和lowSurrogate是分别打印出一个双位unicode的高位和低位的数字结果，例如：

System.out.println( Character.toCodePoint(Character.highSurrogate(128544),Character.lowSurrogate(128544)));

打印结果自然是128544，还原了高位和低位

Character.isSurrogate

isSurrogate用大白话说，就是判断是否是合理的双位字符，合理的UTF-16字符最小是\u005CuD800例如如下代码：

代码块7
char[] emoji = "😠".toCharArray();
System.out.println( Character.isSurrogate(emoji[0]));
System.out.println( Character.isSurrogate(emoji[1]));
System.out.println( Character.isSurrogate('a'));

结果自然前两行是true，最后一行是false。

Character.isSurrogatePair

isSurrogatePair是用于判断两个字符是否是双位字符的一对（高位+低位），例如如下代码

代码块8
char[] emoji = "😠".toCharArray();
System.out.println( Character.isSurrogatePair(emoji[0],emoji[1]));
System.out.println( Character.isSurrogatePair(emoji[0],emoji[0]));

第一行的结果是true，第二行的结果是false，很显然。

Character.isSupplementaryCodePoint

isSupplementaryCodePoint的作用是判断是否是一个双位字符，和isSurrogate的区别是，isSupplementaryCodePoint只要是两位就是对的，而isSurrogate必须是合理的UTF-16字符。

Character.offsetByCodePoints

方法有两种实现，第一种是在一个字符串中，输入index和offset，求以codepoint角度下[index,index+offset]区间的最后一个codepoint后的对于array的索引，例如：

代码块9
System.out.println( Character.offsetByCodePoints("ab😠cd",1,3));
System.out.println( Character.offsetByCodePoints("abcde",1,3));

结果是5,4
"ab😠cd"的[1,4]范围内其实指的就是"b😠c"的最后一位"c"后的的array的index，则是5。

Character.isBmpCodePoint

这里涉及到一个概念，Bmp指的是Basic Multilingual Plane，如下的概念来自于百度百科

基本多文种平面，BMP(Basic Multilingual Plane)，或称第零平面(Plane 0)，是Unicode中的一个编码区段。编码从U+0000至U+FFFF。 Unicode 基本多文种平面的示意图。每个写着数字的格子代表256个码点。

其实就是判断输入字符是否在U+0000至U+FFFF范围内。

总结

总结了一下常用的Character中的常用对于unicode和surrogate的方法，对于codepoint也做了部分的解释，需要注意的地方是，有些API需要输入的是unicode的int值，而有些需要输入char，还有就是要深入理解"双位"字符的真正含义，BMP和UTF-16的区别。