请考虑以下代码:
byte aBytes[] = { (byte)0xff,0x01,0,0,
(byte)0xd9,(byte)0x65,
(byte)0x03,(byte)0x04, (byte)0x05, (byte)0x06, (byte)0x07,
(byte)0x17,(byte)0x33, (byte)0x74, (byte)0x6f,
0, 1, 2, 3, 4, 5,
0 };
String sCompressedBytes = new String(aBytes, "UTF-16");
for (int i=0; i<sCompressedBytes.length; i++) {
System.out.println(Integer.toHexString(sCompressedBytes.codePointAt(i)));
}
获取以下错误输出:
ff01, 0, fffd, 506, 717, 3374, 6f00, 102, 304, 500.
但是,如果输入数据中的0xd9
更改为0x9d
,则会获得以下正确输出:
ff01, 0, 9d65, 304, 506, 717, 3374, 6f00, 102, 304, 500.
我意识到这个功能是因为字节0xd9
是一个高代理的Unicode标记。
问题:有没有办法在Java Unicode字符串中提供,识别和提取代理字节(0xd800
到0xdfff
)?
谢谢
答案 0 :(得分:10)
编辑:这解决了评论中的问题
如果要对字符串中的任意二进制数据进行编码,则不应使用普通文本编码。您没有该编码中的有效文本 - 您只需要任意二进制数据。
Base64是前往这里的方式。 Java中没有base64支持(无论如何都是公共类)但是你可以使用各种第三方库,例如the one in the Apache Commons Codec library。
是的,base64会增加数据的大小 - 但它会让你以后解码它而不会丢失信息。
编辑:这解决了原始问题
我认为问题在于您没有指定正确的代理对。您应指定代表低代理项的字节,然后指定高代理项。之后,您应该能够添加适当的代码点。在你的情况下,你自己给了一个低代理人。
以下是用于演示此内容的代码:
public class Test
{
public static void main(String[] args)
throws Exception // Just for simplicity
{
byte[] data =
{
0, 0x41, // A
(byte) 0xD8, 1, // High surrogate
(byte) 0xDC, 2, // Low surrogate
0, 0x42, // B
};
String text = new String(data, "UTF-16");
System.out.printf("%x\r\n", text.codePointAt(0));
System.out.printf("%x\r\n", text.codePointAt(1));
// Code point at 2 is part of the surrogate pair
System.out.printf("%x\r\n", text.codePointAt(3));
}
}
输出:
41
10402
42
答案 1 :(得分:4)
有没有办法在Java Unicode字符串中提供,识别和提取代理字节(0xd800到0xdfff)?
仅仅因为没有人提到它,我会指出Character类包括使用代理对的方法。例如。 isHighSurrogate(char),codePointAt(CharSequence, int)和toChars(int)。我意识到这不仅仅是所述问题的重点。
new String(aBytes, "UTF-16");
这是一个转换输入数据的解码操作。我很确定它不合法,因为所选择的解码操作要求输入以0xfe 0xff或0xff 0xfe(byte order mark)开头。此外,并非每个可能的字节值都可以正确解码,因为UTF-16是variable width encoding。
如果您希望将任意字节对称转换为String并返回,则最好使用8位单字节编码,因为每个字节值都是有效字符:
Charset iso8859_15 = Charset.forName("ISO-8859-15");
byte[] data = new byte[256];
for (int i = Byte.MIN_VALUE; i <= Byte.MAX_VALUE; i++) {
data[i - Byte.MIN_VALUE] = (byte) i;
}
String asString = new String(data, iso8859_15);
byte[] encoded = asString.getBytes(iso8859_15);
System.out.println(Arrays.equals(data, encoded));
注意:字符数等于字节数(数据大小加倍);结果字符串不一定是可打印的(尽管可能包含bunch of control characters)。
我是with Jon - 将任意字节序列放入Java字符串几乎总是一个坏主意。