Bagaimana cara saya melakukan iterasi melalui titik kode unicode dari String Java?

Jadi saya tahu String#codePointAt(int), tapi itu diindeks oleh charoffset, bukan oleh titik kode offset.

Saya sedang berpikir untuk mencoba sesuatu seperti:

• gunakan String#charAt(int)untuk mendapatkan chardi indeks
• menguji apakah charberada dalam kisaran pengganti tinggi
  • jika demikian, gunakan String#codePointAt(int)untuk mendapatkan titik kode, dan naikkan indeks sebesar 2
  • jika tidak, gunakan nilai yang diberikan charsebagai titik kode, dan tingkatkan indeks sebesar 1

Tapi kekhawatiran saya

• Saya tidak yakin apakah titik kode yang secara alami berada dalam kisaran pengganti tinggi akan disimpan sebagai dua charnilai atau satu
• ini sepertinya cara yang sangat mahal untuk mengulang melalui karakter
• seseorang pasti telah menemukan sesuatu yang lebih baik.

Ya, Java menggunakan pengkodean UTF-16-esque untuk representasi internal Strings, dan, ya, itu mengkodekan karakter di luar Basic Multilingual Plane ( BMP ) menggunakan skema pengganti.

Jika Anda tahu Anda akan berurusan dengan karakter di luar BMP, maka berikut adalah cara kanonik untuk mengulangi karakter String Java:

final int length = s.length();
for (int offset = 0; offset < length; ) {
   final int codepoint = s.codePointAt(offset);

   // do something with the codepoint

   offset += Character.charCount(codepoint);
}

Java 8 ditambahkan CharSequence#codePointsyang mengembalikan yang IntStreamberisi poin kode. Anda dapat menggunakan aliran langsung untuk mengulanginya:

string.codePoints().forEach(c -> ...);

atau dengan perulangan for dengan mengumpulkan aliran ke dalam array:

for(int c : string.codePoints().toArray()){
    ...
}

Cara-cara ini mungkin lebih mahal daripada solusi Jonathan Feinbergs , tetapi lebih cepat untuk membaca / menulis dan perbedaan kinerjanya biasanya tidak signifikan.

Iterasi atas poin kode diajukan sebagai permintaan fitur di Sun.

Lihat Sun Bug Entry

Ada juga contoh tentang bagaimana melakukan iterasi melalui String CodePoints di sana.

Pikir saya akan menambahkan metode solusi yang bekerja dengan foreach loop ( ref ), ditambah Anda dapat mengonversinya ke metode String # codePoints baru java 8 dengan mudah ketika Anda pindah ke java 8:

Anda dapat menggunakannya dengan foreach seperti ini:

 for(int codePoint : codePoints(myString)) {
   ....
 }

Inilah helper mthod:

public static Iterable<Integer> codePoints(final String string) {
  return new Iterable<Integer>() {
    public Iterator<Integer> iterator() {
      return new Iterator<Integer>() {
        int nextIndex = 0;
        public boolean hasNext() {
          return nextIndex < string.length();
        }
        public Integer next() {
          int result = string.codePointAt(nextIndex);
          nextIndex += Character.charCount(result);
          return result;
        }
        public void remove() {
          throw new UnsupportedOperationException();
        }
      };
    }
  };
}

Atau secara bergantian jika Anda hanya ingin mengonversi string menjadi larik int (yang mungkin menggunakan lebih banyak RAM daripada pendekatan di atas):

 public static List<Integer> stringToCodePoints(String in) {
    if( in == null)
      throw new NullPointerException("got null");
    List<Integer> out = new ArrayList<Integer>();
    final int length = in.length();
    for (int offset = 0; offset < length; ) {
      final int codepoint = in.codePointAt(offset);
      out.add(codepoint);
      offset += Character.charCount(codepoint);
    }
    return out;
  }

Untungnya, menggunakan "codePoints" dengan aman menangani pasangan pengganti UTF-16 (representasi string internal java).