Java根据utf-8编码索引查找字符串的索引

Question

考虑以下字符串:

String text="un’accogliente villa del.";

我有单词“accogliente”的开始索引，即5。但它是根据utf-8编码预先计算出来的。

我想要单词 的确切索引，即 3 作为输出。即，我想从 5 中得到 3 作为输出。计算它的最佳方法是什么？

Answer 1

String text = "un’accogliente villa del."; // Unicode text
text = Normalizer.normalize(text, Form.NFC); // Normalize text

byte[] bytes = text.getBytes(StandardCharsets.UTF_8); // Index 5 UTF-8; 1 byte
char[] chars = text.toCharArray();                    // Index 3 UTF-16; 2 bytes (indexOf)
int[] codePoints = text.codePoints().toArray();       // Index 3 UTF-32; 4 bytes

int charIndex = text.indexOf("accogliente");
int codePointIndex = (int) text.substring(0, charIndex).codePoints().count();
int byteIndex = text.substring(0, charIndex).getBytes(StandardCharsets.UTF_8).length;

UTF-32 是 Unicode 代码点，所有带有 U+XXXX 的符号的编号，其中可能多(或少)于4 个十六进制数字。

需要文本规范化，因为 é 可以是一个代码点或两个代码点，一个零宽度的 ´ 后跟一个 e .

UTF-8字节索引转UTF-16字符索引的问题:

int charIndex = new String(text.getBytes(StandardCharsets.UTF_8),
                           0, byteIndex, StandardCharsets.UTF_8).length();