java - 在 Java 中，如何处理 Unicode 字符和 Java UTF-16 代码点？

Question

我在 Java 10 中处理 Unicode 字符。
我正在使用 java.text.BreakIterator 包。 对于此输出:

myString="a𝓞b"  hex=0061d835dcde0062
myString.length()=4 
myString.codePointCount(0,s.length())=3
BreakIterator output:
    a    hex=0061           
    𝓞    hex=d835dcde          
    b    hex=0062

看起来是正确的。

使用相同的 Java 代码，然后使用以下输出:

myString="G̲íl"  hex=0047033200ed006c  
myString.length()=4 
myString.codePointCount(0,s.length())=4
BreakIterator output:   
    G̲    hex=00470332  
    í    hex=00ed  
    l    hex=006c  

看起来也正确，除了 codePointCount=4。
为什么不是3，有没有办法获得 不使用 BreakIterator 的 3 值？

我的目标是确定字符串的所有(输出)字符是否都是 16 位，或者是否存在代理或组合字符？

Answer 1

“G̲íl”是四个代码点:U+0047、U+0332、U+00ED、U+006C。

U+0332 是一个组合字符，但它是一个单独的代码点。这与您的第一个示例不同，第一个示例需要使用代理对(2 个 UTF-16 代码单元)来表示 U+1D4DE - 但后者仍然是单个代码点。

BreakIterator 查找文本中的边界 - 此处组合的两个代码点在这种意义上没有边界。来自文档:

Character boundary analysis allows users to interact with characters as they expect to, for example, when moving the cursor through a text string. Character boundary analysis provides correct navigation through character strings, regardless of how the character is stored.

所以我认为这里一切正常。