Java中的字符串,代码点和代码单元

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

深入学习Java中的字符串,代码点和代码单元 - VinoZhu - 博客园