对于超过3.0的Unicode版本，如何将Java字符串转换为xml实体？

Question

要将Java字符转换为xml实体，我可以对String中的每个字符执行以下操作：

buf.append("&#x"+ Integer.toHexString(c | 0x10000).substring(1) +";");

但是，根据其他stackoverflow问题，这仅适用于Unicode 3.0。

如果我使用UTF-8 Reader读取字符串，则可能是字符串包含的字符格式可以通过Unicode 6.0进行工作（因为根据Javadoc，Java 7支持Unicode 6.0）。

一旦有了该字符串，如何将其写为xml实体？ 理想情况下，我会使用一些会随着新版本的unicode推出而继续工作的api。

Answer 1

您使用的术语不正确，或者这里存在很多混乱。

&#x字符引用符号仅指定数字代码点； 它独立于任何阅读器或解析器使用的Unicode版本。

您的代码实际上仅与Unicode 1.x兼容，因为它假定字符的数字值小于2 ¹⁶ 。 从Unicode 2.0开始，这不是正确的假设。 一些字符由单个Java char ，而其他字符由两个Java char （称为代理 ）表示。

我不确定“ UTF-8阅读器”是什么。 读取器仅读取char值，并且不知道UTF-8或任何其他字符集，除了InputStreamReader之外， InputStreamReader使用CharsetDecoder使用UTF-8编码（或特定CharsetDecoder使用的任何编码）将字节转换为char。

无论如何，任何Reader都不会解析XML &#x字符引用符号。 您必须为此使用XML解析器。

没有读取器或XML解析器受Java已知的Unicode版本的影响，因为没有读取器或XML解析器以任何方式查询Unicode数据库。 字符在解析时仅被视为数字值。 永远不会考虑它们是否与任何Unicode版本中的已分配代码点相对应。

最后，要将String编写为XML，可以使用Formatter ：

static String toXML(String s) {
    Formatter formatter = new Formatter();
    int len = s.length();
    for (int i = 0; i < len; i = s.offsetByCodePoints(i, 1)) {
        int c = s.codePointAt(i);
        if (c < 32 || c > 126 || c == '&' || c == '<' || c == '>') {
            formatter.format("&#x%x;", c);
        } else {
            formatter.format("%c", c);
        }
    }
    return formatter.toString();
}

如您所见，没有代码依赖于Unicode版本，因为字符只是数字值。 每个数字值是否是分配的Unicode代码点都无关紧要。

（我的第一个倾向是使用XMLStreamWriter类，但是事实证明，使用Java-8或更高版本的XMLStreamWriter使用ISO-8859-1或US-ASCII之类的非Unicode编码不能正确地将代理对作为单个字符实体输出。 .0_05。）

Answer 2

最初，Java通过将char类型的长度设置为16位来支持Unicode 1.0，但是Unicode 2.0引入了替代字符机制来支持比16位所允许的数目更多的字符，因此Java字符串成为UTF-16编码。 这意味着某些字符需要两个Java字符来表示，它们分别称为高代理字符和低代理字符。

要知道字符串中的哪些字符实际上是高/低代理对，可以在Character使用实用程序方法：

Character.isHighSurrogate(myChar); // returns true if myChar is a high surrogate
Character.isLowSurrogate(myChar); // same for low surrogate

Character.isSurrogate(myChar); // just to know if myChar is a surrogate

一旦知道哪些字符是高或低代理，就需要使用以下方法将每对转换为Unicode代码点：

int codePoint = Character.toCodePoint(highSurrogate, lowSurrogate);

因为一段代码值一千个单词，所以这是一个示例方法，用于替换字符串中非us-ascii字符的xml字符引用：

public static String replaceToCharEntities(String str) {
    StringBuilder result = new StringBuilder(str.length());

    char surrogate = 0;
    for(char c: str.toCharArray()) {

        // if char is a high surrogate, keep it to match it
        // against the next char (low surrogate)
        if(Character.isHighSurrogate(c)) {
            surrogate = c;
            continue;
        }

        // get codePoint
        int codePoint;
        if(surrogate != 0) {
            codePoint = Character.toCodePoint(surrogate, c);
            surrogate = 0;
        } else {
            codePoint = c;
        }

        // decide wether using just a char or a character reference
        if(codePoint < 0x20 || codePoint > 0x7E || codePoint == '<'
                || codePoint == '>' || codePoint == '&' || codePoint == '"'
                || codePoint == '\'') {
            result.append(String.format("&#x%x;", codePoint));
        } else {
            result.append(c);
        }
    }

    return result.toString();
}

下一个字符串示例是一个很好的示例，因为它包含一个可以用16位值表示的非ASCII字符，以及一个具有高/低代理对的字符：

String myString = "text with some non-US chars: 'Ñ' and '𐌈'";