UTF-16分为2个字符

Question

我一直认为java使用UTF-16在内部对其字符进行编码。事实证明，它使用u+xxxx格式来表示字符代码，并使用16位来存储char。

但有时UTF-16需要超过2个字节。在这种情况下，java需要2个char来代表1 UTF-16个字符。

旁注：这让我想知道是否更正确的说“java只支持Unicode字符集，并使用16位单元格存储字符”。

问题：第一个char是否提供了一些方法来确定是使用了第二个char，还是2个属于一起？

Answer 1

是的，UTF-16是在Unicode扩展时将Unicode 1.0的65536代码点限制传递到今天的1114112代码点限制时发明的。

这使它能够支持整个通用字符集，同时保持与UCS-2的兼容性;所有Unicode字符的过时编码为双字节单位，因为它无法在Unicode 2.0或更高版本中对所有Unicode字符进行编码，因此已过时。

  

第一个char是否提供了一些方法来确定是否使用了第二个char，或者2是否属于一个？

是的，在UTF-16中，两个字节的单位是：

1. 一个高代理人，必须始终跟一个低代理人。在0xD800和0xDBFF之间，isHighSurrogate将返回true。
2. 低代理人必须始终遵循高代理人。在0xDC00和0xDFFF之间，isLowSurrogate将返回true。
3. 非代理人。

非代理地图直接使用相同代码点的BMP字符。

代理人结合起来代表星体平面人物：

1. 从代码点减去0x010000。
2. 将前10位添加到0xD800以获得高代理。
3. 将低10位添加到0xDC00以获得低代理。

在Java中，您可以首先使用代码点检查isBmpCodePoint上的int。如果这是真的，那么你可以将其转换为char以获得编码它的单个UTF-16单元。否则，您可以致电highSurrogate获取第一个char和lowSurrogate以获得第二个。

与isBmpCodePoint一样，您可以使用charCount返回1表示BMP字符，2表示您需要代理。如果您要创建一个包含1或2个字符的数组来保存该值，这将非常有用。

由于代理代码点永远不会被分配字符，这意味着整个通用字符集的编码是明确的。

它也是自我纠正，流中的错误可以被隔离，而不是导致所有其他字符被误读。例如。如果我们找到一个孤立的低代理，我们知道该位是错误的，但仍然可以读取流的其余部分。

一些完整的例子，但我不是太热了Java（另一方面，我知道的是Unicode，这是我用来回答这个问题的知识），所以如果有人发现了一个n00b Java错误，但我认为我得到了Unicode知识部分是正确的，请继续相应地编辑这篇文章：

""是一个带有单个Unicode字符的字符串，U+10300是旧斜体字母的一个字母。在大多数情况下，这些“Astral Planes”角色因为半开玩笑而被称为相对模糊，因为Unicode联盟试图尽可能地使用它们而不会超出易于使用的BMP（基本多语言平面; { {1}}至U+0000，但有时列为“U+FFFF至U+0000 U+FFFD和U+FFFE均为非字符，不应使用在大多数情况下）。

（如果你正在尝试这个，那么直接使用U+FFFF的那些将取决于你的文本编辑器应对它的程度）。

如果您检查，您将获得"".length，因为2会为您提供UTF-16编码单位的数量，而不是字符数。

length应该返回new StringBuilder().appendCodePoint(0x10300).toString() == ""。

true将返回Character.charCount(0x10300)，因为我们需要两个UTF-16 2来对其进行编码。 char将返回Character.isBmpCodePoint(0x10300)。

false将返回Character.codePointAt("", 0) 66304，因为当它看到高代理时，它会在计算中读取以下低代理值。

0x10300是正确的，因为那些是高和低代理人，角色应该被拆分成UTF-16编码。

同样Character.highSurrogate(0x10300) == 0xD800 && Character.lowSurrogate(0x10300) == 0xDF00因为"".charAt(0) == 0xD800 && "".charAt(1) == 0xDF00处理的是UTF-16单位，而不是Unicode字符。

使用相同的符号charAt为两个代理人使用转义符。