Java中的4字节Unicode字符

Question

我正在为我的自定义 StringDatatype 编写单元测试，我需要写下 4 字节的 unicode 字符。 "\\U" - 不工作（非法转义字符错误），例如：U+1F701 (0xf0 0x9f 0x9c 0x81)。 怎么可以写成字符串？

Answer 1

Unicode 代码点不是 4 个字节； 它是一个整数（目前范围从 U+0000 到 U+10FFFF）。

你的 4 个字节是（猜测）它的 UTF-8 编码版本（编辑：我是对的）。

你需要这样做：

final char[] chars = Character.toChars(0x1F701);
final String s = new String(chars);
final byte[] asBytes = s.getBytes(StandardCharsets.UTF_8);

Java 创建时，Unicode 并没有定义 BMP 之外的代码点（即 U+0000 到 U+FFFF），这就是一个char只有 16 位长的原因（好吧，好吧，这只是一个猜测，但是我想我在这里不远了）； 从那时起，它必须适应……并且 BMP 之外的代码点需要两个字符（前导代理和尾随代理——Java 分别将它们称为高代理和低代理）。 Java 中没有字符文字允许直接在 BMP 之外输入代码点。

鉴于char实际上是一个 UTF-16 代码单元并且有这些字符串文字，您可以在字符串中输入这个“字符”作为"\?\?" ——或者直接作为符号，如果你计算环境支持它。

另请参阅CharsetDecoder和CharsetEncoder类。

另请参见String.codePointCount() ，以及自 Java 8 以来的String.codePoints() （继承自CharSequence ）。

Answer 2

String s = "𩸽";

从技术上讲，这是一个字符。 但是要小心s.length()将返回 2。而且 java 不会编译String s = '𩸽' 。 Java 不向您保证String.length()将返回确切数量的字符，它仅返回存储此字符串所需的 java-chars 数。

可以从s.codePointCount(0, s.length())获得实际的字符数。

Answer 3

jshell> String s = "🏳"; s ==> "🏳️"

jshell> s.codePointCount(0, s.length()); $5 ==> 2