Java代码点和代码单元

定义：

• Java中，char[]、String、StringBuilder和StringBuffer类中采用了UTF-16编码，使用U+0000~U+FFFF来表示一个基本字符（BMP字符），但是位于U+D800到U+DBFF和U+DC00到U+DFFF的char被视为无定义字符。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。即：基本字符用一个char表示，辅助字符使用一对char表示。

• Java使用代码点(Unicode code pointer)这个概念来表示范围在U+0000与U+10FFFF之间的字符值（int型），代码单元(Unicode code unit)表示作为UTF-16编码的代码单元的 16位char值（char型）。也就是说，可能存在一个字符，它的代码点数量是1，而代码单元数量是2。所以，代码单元的数量并不一定是字符的数量。

• 相比之下，代码单元更加偏底层。

相关函数：

• length()函数返回采用UTF-16编码标识的给定字符串所需要的代码单元的数量。

• codePointCount()函数返回采用UTF-16编码标识的给定字符串所需要的代码点的数量。

  例子：

/**
 * Created by 海涛 on 2016/11/21.
 */
public class WordCount {
    public static void main(String[] args) {
        char[] ch = Character.toChars(0x10400);
        System.out.printf("U+10400 高代理字符: %04x\n", (int)ch[0]);//d801
        System.out.printf("U+10400 低代理字符: %04x\n", (int)ch[1]);//dc00
        String str = new String(ch);
        System.out.println(str);
        System.out.println("代码单元长度: " + str.length());//2
        System.out.println("代码点数量: " + str.codePointCount(0, str.length()));//1
        System.out.println(str.codePointAt(0));//返回给定位置开始或结束的代码点,66560
        System.out.println(str.charAt(1));//返回给定位置的代码单元,由于未定义，返回?

        //遍历一个字符串,打印出所有字符的代码点
        str += "Hello,world!";
        int i = 0;
        int cp = str.codePointAt(i);
        while(i < str.length()){
            System.out.println(str.codePointAt(i));
            if(Character.isSupplementaryCodePoint(cp))
                i += 2;//如果cp所在的位置是代码点的第一部分，执行此处
            else i++;
        }
        //打印出所有中文汉字 U+4E00～U+9FFF
        for (char chinach = 0x4e00; chinach <= 0x9fff; chinach++)
        {
            if (chinach % 64 == 0)
                System.out.println();
            System.out.print(chinach);
        }
    }
}