Java字符串是一系列的Unicode字符序列,但是,它却常常被误认为是char序列。于是,我们经常这样来遍历字符串:
- package testchar;
- public class TestChar2 {
- public static void main(String[] args) {
- String s = "\u0041\u00DF\u6771\ud801\uDC00";
- for(int i = 0; i < s.length(); i++) {
- System.out.println(s.charAt(i));
- }
- }
- }
A
ß
東
?
?
之所以会这样,是因为Unicode字符和Java的char类型不能等同起来。实际上,Java中的char类型能表示的字符只是Unicode字符的子集,因为char只有16位,也就是说,它只能表示65536(2的16次方)个字符,但实际的Unicode字符数超过这个数字。在Java中,用UTF-16编码char和String中的字符,一个字符对应的编码值被称为一个代码点。有的代码点用16位编码,被称为一个代码单元,像char表示的那些字符;有的代码点用32位编码,也就是用两个连续的代码单元编码,如上文中的\ud801\uDC00。其实,我们遍历一个字符串,遍历的是这个字符串中所有代码点,而
s.length()
返回的是字符串s中代码单元的个数。当i对应的代码单元只是一个32位代码点的一部分时,
s.charAt(i)
也就不能像我们希望的那样工作了。
下面给出了几种正确遍历一个字符串的方法:
- package testchar;
- /**
- * 正确遍历String
- *
- * @author yuncong
- *
- */
- public class TestChar {
- public static void main(String[] args) {
- String s = "\u0041\u00DF\u6771\ud801\uDC00";
- // 获得字符串中代码点的数量
- int cpCount = s.codePointCount(0, s.length());
- for (int i = 0; i < cpCount; i++) {
- int index = s.offsetByCodePoints(0, i);
- int cp = s.codePointAt(index);
- if (!Character.isSupplementaryCodePoint(cp)) {
- System.out.println((char) cp);
- } else {
- System.out.println(cp);
- }
- }
- System.out.println("-------------------");
- for (int i = 0; i < s.length(); i++) {
- int cp = s.codePointAt(i);
- if (!Character.isSupplementaryCodePoint(cp)) {
- System.out.println((char) cp);
- } else {
- System.out.println(cp);
- i++;
- }
- }
- System.out.println("-------------------");
- // 逆向遍历字符串
- for(int i = s.length() - 1; i >= 0; i--) {
- int cp = 0;
- // 当i等于0的时候,只剩下一个代码单元,不可能是辅助字符
- if (i == 0) {
- cp = s.codePointAt(0);
- System.out.println((char)cp);
- } else {
- // 只有在i大于0的时候才可以退,并且
- // 因为剩下的代码单元大于2,所以接下
- // 来访问的两个代码单元可能表示辅助
- // 字符;
- // 退一个代码单元
- i--;
- cp = s.codePointAt(i);
- if (Character.isSupplementaryCodePoint(cp)) {
- System.out.println(cp);
- } else {
- // 如果cp不是辅助字符,就回到遍历的正常位置
- i++;
- cp = s.codePointAt(i);
- System.out.println((char)cp);
- }
- }
- }