所以我知道String#codePointAt(int)
,但是它被char
偏移量索引,而不是代码点偏移量。
我正在考虑尝试类似的事情:
String#charAt(int)
获取索引的char
char
是否在high-surrogates range中
String#codePointAt(int)
获取代码点,并将索引增加2 char
值作为代码点,并将索引增加1 但我担心的是
char
值或一个答案 0 :(得分:131)
是的,Java使用UTF-16-esque编码进行字符串的内部表示,是的,它使用代理方案对基本多语言平面(BMP)之外的字符进行编码。
如果你知道你将处理BMP之外的字符,那么这是迭代Java字符串字符的规范方法:
final int length = s.length();
for (int offset = 0; offset < length; ) {
final int codepoint = s.codePointAt(offset);
// do something with the codepoint
offset += Character.charCount(codepoint);
}
答案 1 :(得分:60)
Java 8添加CharSequence#codePoints
,返回包含代码点的IntStream
。
您可以直接使用流来迭代它们:
string.codePoints().forEach(c -> ...);
或通过将流收集到数组中使用for循环:
for(int c : string.codePoints().toArray()){
...
}
这些方式可能比Jonathan Feinbergs's solution更昂贵,但它们的读/写速度更快,性能差异通常无关紧要。
答案 2 :(得分:6)
以为我会添加一个与foreach循环(ref)一起使用的变通方法,并且当你转移到java 8时,你可以轻松地将它转换为java 8的新String#codePoints方法:
您可以像foreach一样使用它:
for(int codePoint : codePoints(myString)) {
....
}
这是助手方法:
public static Iterable<Integer> codePoints(final String string) {
return new Iterable<Integer>() {
public Iterator<Integer> iterator() {
return new Iterator<Integer>() {
int nextIndex = 0;
public boolean hasNext() {
return nextIndex < string.length();
}
public Integer next() {
int result = string.codePointAt(nextIndex);
nextIndex += Character.charCount(result);
return result;
}
public void remove() {
throw new UnsupportedOperationException();
}
};
}
};
}
或者,如果您只想将字符串转换为int数组(可能使用比上述方法更多的RAM):
public static List<Integer> stringToCodePoints(String in) {
if( in == null)
throw new NullPointerException("got null");
List<Integer> out = new ArrayList<Integer>();
final int length = in.length();
for (int offset = 0; offset < length; ) {
final int codepoint = in.codePointAt(offset);
out.add(codepoint);
offset += Character.charCount(codepoint);
}
return out;
}
谢天谢地,使用“codePoints”安全地处理UTF-16的代理配对(java的内部字符串表示)。
答案 3 :(得分:5)