Question

要将java字符转换为xml实体，我可以对字符串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，那么可能是String包含通过Unicode 6.0处理的格式的字符（因为Java 7根据javadoc支持Unicode 6.0）。

一旦我有了String，我怎么能把它写成xml实体？理想情况下，我会使用一些随着新版unicode问世而继续工作的api。

Answer 1

要么您没有使用正确的术语，要么存在很多混淆。

&#x字符引用表示法只指定一个数字代码点;它独立于任何读者或解析器使用的Unicode版本。

您的代码实际上只与Unicode 1.x兼容，因为它假定字符的数值小于2 ¹⁶。从Unicode 2.0开始，这不是一个正确的假设。一些字符由单个Java char表示，而其他字符由两个Java char表示（称为surrogates）。

我不确定＆＃34; UTF-8读卡器＆＃34;是。 Reader仅读取char值，并且不知道UTF-8或任何其他字符集，InputStreamReader除外，CharsetDecoder使用Formatter将字节转换为字符使用UTF-8编码（或特定CharsetDecoder使用的任何编码）。

无论如何，没有Reader会解析XML &#x字符引用表示法。您必须使用XML解析器。

没有Reader或XML解析器受Java已知的Unicode版本的影响，因为没有Reader或XML解析器以任何方式查询Unicode数据库。在解析字符时，字符仅被视为数值。它们是否与任何Unicode版本中的已分配代码点相对应，从不考虑它们。

最后，要将String写为XML，您可以使用{{3}}：

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，因为字符只是数值。每个数值是否都是指定的Unicode代码点是不相关的。

（我的第一个倾向是使用XMLStreamWriter类，但事实证明使用非Unicode编码的XMLStreamWriter如ISO-8859-1或US-ASCII不能将代理对正确输出为单个字符实体，如Java 1.8.0_05。）

Answer 2

最初Java支持Unicode 1.0，使 char 类型长16位，但Unicode 2.0引入了代理字符机制来支持比16位允许的数字更多的字符，因此Java字符串变为UTF- 16编码;这意味着某些角色需要表示两个Java字符，它们被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，您可以使用Character中的实用程序方法：

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

一旦你知道哪些字符是高代理或低代理，你需要使用这种方法将每对字符转换为unicode代码点：

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

由于一段代码胜过千言万语，这是一个示例方法，用于替换字符串中的非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测试用例，因为它包含一个非ascii字符，可以用16位值表示，还有一个带有高/低代理项对的字符：

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

对于超过3.0的Unicode版本，如何将Java字符串转换为xml实体？

2 个答案: