Question

我有以下XML文件，其中包含表情符号：http://pastebin.com/8f0GeE96

现在，我想要的是将每个unicode字符转换为它的代码（作为字符串）。我已为此原因编写了以下代码。问题是我得到了很多dup（即d83d），这让我觉得我的解析出了问题。对此有何解释？

public static void main(String[] args) {

        File file = new File("c:\\EmojisList.plist.txt");

        try {
            BufferedReader in = new BufferedReader(
                       new InputStreamReader(new FileInputStream(file), "UTF8"));

            String str;
            while ((str = in.readLine()) != null) { 
                if(str.trim().startsWith("<string>"))
                {
                    int emoji_pos = str.indexOf('>') + 1;
                    char emoji_char = str.charAt(emoji_pos);
                    String emoji_code_str = Integer.toHexString(emoji_char);

                    System.out.println(emoji_code_str);
                }

            }

            in.close();


        } catch (UnsupportedEncodingException e) {
            e.printStackTrace();
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }

Answer 1

Unicode标准以一系列字符开始，其中16位（两个字节）就足够了。

但是，添加了越来越多的脚本和符号，而现在，您无法用16位表示所有字符。代码点的合法范围是从U + 0到U + 10FFFF。

不幸的是，这不适合Java char，它只有16位，能够表示0到FFFF的值。

大多数常见的西方语言都没有这个问题 - 包括口音，俄语，阿拉伯语，希伯来语等在内的拉丁语范围都在16位范围内。即使是常见的中文和日文字符都在此范围内。

但是大多数表情符号实际上都在＆＃34;扩展＆＃34;范围，在unicode＆＃34;其他符号和象形文字＆＃34;和＃34;表情符号＆＃34;块，范围从U + 1F300到U + 1F5FF，从U + 1F600到U + 1F67F。

此范围内的字符使用UTF-16编码以字符串表示，该编码基本上为每个此类字符使用两个char值。因此，如果角色的代码点（其官方unicode值）在U + 10000到U + 10FFFF范围内，则有两个{{1}}值，其中一个来自U + D800范围通过U + DB7F（＆＃34;高代理＆＃34;），以及范围U + DC00到U + DFFF（＆＃34;低代理＆＃34;）中的一个用于表示它。

因此，当您在程序中读取char的值时，实际上只读取实际字符的前半部分。事实上，所有的表情符号都是在表情符号＆＃34;范围具有U + D83D的高代理特征。

因此，要获取表情符号的实际Unicode代码点，您需要将UTF-16表示转换为实际的charAt(emoji_pos)值。 int是不够的。您可以使用char和String类中可用的方法来执行此操作。

在这种情况下，您只需使用codePointAt方法，而不是使用Character。

所以，而不是

charAt

使用：

char emoji_char = str.charAt(emoji_pos);

有关详细信息，请阅读Unicode Consortium网站上的UTF FAQ。

注意：Java编码约定是变量，字段方法名称应该是较低的驼峰情况：第一个单词以小写字母开头，其他单词以大写字母开头，没有下划线。因此，变量名称应为int emojiCodePoint = str.codePoint(emojiPos);，而不是emojiCodePoint。下划线仅在常量名称中可接受，这些名称全部为大写（例如emoji_code_point）。

将unicode符号转换为其代码

1 个答案: