Java 之码点与代码单元
一个码点是信息原子的单元。文本是一连串的码点。每一个码点是一个由标准的Unicode编码规定的数字。
而代码单元是用于存储码点的单位,一个代码单元可以存储一个码点或码点的一部分。
在Java中,String是由一串char排列而成。而char数据类型是一个采用UTF-16编码表示Unicode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出来,但一部分辅助字符则需要一对代码单元才能表示出来。
在String中,length本质上是对String的代码单元的个数进行计数,由于一部分双代码单元的辅助字符存在,会有极小部分情况下length返回的长度并不是字符串的实际长度。
以“?”为例:
public class demo2 {
public static void main(String[] args) {
String string = "\uD835\uDD46";
System.out.println(string + " " + string.length());
}
}
可以看到,虽然字符串中只有一个字符存在,但字符串的长度却返回为2。
如何解决这个问题呢?
要想得到实际的长度,即码点数量,我们可以采用如下代码:
int cpCount = string.codePointCount(0, string.length())
两个参数的含义分别为计数的起始位置以及结束位置(前闭后开)。
同理,如果我们调用charAt()函数,将返回的是位置n的代码单元,而不是码点。
如果需要获取第i位置的码点,可以采用以下代码:
int cp = string.codePointAt(string.offsetByCodePoints(0, i))
返回此 String 中从给定的 index 处偏移 codePointOffset 个代码点的索引。
如果想要遍历整个字符串并获得字符串的所有码点,可以使用如下代码:
int[] ch = string.codePoints().toArray();
for (int ch1: ch
) {
System.out.println(ch1);
}
反之,要把一个码点数组转换成一个字符串,这可以使用如下代码;
String str = new String(codePoints, 0, codePoints.length)
总之,我们可以看到使用char时会产生一些问题,因此,我们尽量不要使用char类型。