简单规范化文本示例不起作用

Question

我正在尝试分解一些文字。示例来自：http://docs.oracle.com/javase/6/docs/api/java/text/Normalizer.html

  U+00C1    LATIN CAPITAL LETTER A WITH ACUTE (Á)

或作为两个单独的字符（“分解”形式）：

  U+0041    LATIN CAPITAL LETTER A
  U+0301    COMBINING ACUTE ACCENT

我正在关注Oracle的这个教程页面：http://docs.oracle.com/javase/tutorial/i18n/text/normalizerapi.html

这个简单的案例对我不起作用：

• 原字："schön"
• NFC："schön"
• NFD："scho\u0308n"
• NFKC："schön"
• NFKD："scho\u0308n"

在上述所有情况下，函数Normalizer.normalize("schön", form)（其中表单是Normalizer.Form.NFC，Normalizer.Form.NFD之一等），结果是相同的："schön"

此代码不适用于Linux上的Oracle JDK 1.6或1.7安装，在Eclipse JDT中使用。

String n = Normalizer.normalize("schön", Normalizer.Form.NFD);

结果n始终是“schön”。

这个“问题”闻起来像是（1）我完全误解了这个功能，或者（2）恶劣的环境。我被卡住了。有什么建议？我的系统设置非常流行。

Answer 1

归功于@ R.MartinhoFernandes。我不知道结果将在规范上等同于输入。我今天学到了关于Unicode de / composition的新内容。

简而言之：

String.valueOf('Á').equals(String.valueOf('\u00C1'))
String.valueOf('A').equals(String.valueOf('\u0041'))

和

Normalizer.normalize("Á", Normalizer.Form.NFD).equals("\u0041\u0301")
!String.valueOf('Á').equals("\u0041\u0301")

可是：

System.out.println("Á\u0041\u0301")

将打印：

ÁÁ

Answer 2

这样做，它将完成这项工作：

String n = Normalizer.normalize("schön", Normalizer.Form.NFD).replaceAll("\\p{InCombiningDiacriticalMarks}+", "");