Java——Character

1、Unicode基础

Unicode给世界上每个字符分配了一个编号，编号范围为0x000000～0x10FFFF。编号范围在0x0000～0xFFFF的字符为常用字符集，称BMP（Basic MultilingualPlane）字符。编号范围在0x10000～0x10FFFF的字符叫做增补字符（supplementary character）​。

Unicode主要规定了编号，但没有规定如何把编号映射为二进制。UTF-16是一种编码方式，或者叫映射方式，它将编号映射为两个或4个字节，对BMP字符，它直接用两个字节表示，对于增补字符，使用4个字节表示，前两个字节叫高代理项（high surrogate）​，范围为0xD800～ 0xDBFF，后两个字节叫低代理项（low surrogate）​，范围为0xDC00～0xDFFF。UTF-16定义了一个公式，可以将编号与4字节表示进行相互转换。

Java内部采用UTF-16编码，char表示一个字符，但只能表示BMP中的字符，对于增补字符，需要使用两个char表示，一个表示高代理项，一个表示低代理项。

使用int可以表示任意一个Unicode字符，低21位表示Unicode编号，高11位设为0。整数编号在Unicode中一般称为代码点（code point）​，表示一个Unicode字符，与之相对，还有一个词代码单元（code unit）表示一个char。

2、检查code point和char

//判断一个int是不是一个有效的代码点，小于等于0x10FFFF的为有效，大于的为无效publicstaticbooleanisValidCodePoint(intcodePoint)//判断一个int是不是BMP字符，小于等于0xFFFF的为BMP字符，大于的不是publicstaticbooleanisBmpCodePoint(intcodePoint)//判断一个int是不是增补字符，0x010000～0X10FFFF为增补字符publicstaticbooleanisSupplementaryCodePoint(intcodePoint)//判断char是否是高代理项，0xD800～0xDBFF为高代理项publicstaticbooleanisHighSurrogate(charch)//判断char是否为低代理项，0xDC00～0xDFFF为低代理项publicstaticbooleanisLowSurrogate(charch)//判断char是否为代理项， char为低代理项或高代理项，则返回truepublicstaticbooleanisSurrogate(charch)//判断两个字符high和low是否分别为高代理项和低代理项publicstaticbooleanisSurrogatePair(charhigh,charlow)//判断一个代码点由几个char组成，增补字符返回2, BMP字符返回1publicstaticintcharCount(intcodePoint)

3、code point与char的转换

除了简单的检查外，Character类中还有很多方法，进行code point与char的相互转换。

//根据高代理项high和低代理项low生成代码点，这个转换有个公式，这个方法封装了这个公式publicstaticinttoCodePoint(charhigh,charlow)//根据代码点生成char数组，即UTF-16表示，如果code point为BMP字符，则返回的char//数组长度为1，如果为增补字符，长度为2, char[0]为高代理项，char[1]为低代理项publicstaticchar[]toChars(intcodePoint)//将代码点转换为char数组，与上面方法类似，只是结果存入指定数组dst的指定位置indexpublicstaticinttoChars(intcodePoint,char[]dst,intdstIndex)//对增补字符code point，生成低代理项publicstaticcharlowSurrogate(intcodePoint)//对增补字符code point，生成高代理项publicstaticcharhighSurrogate(intcodePoint)

4、按code point处理char数组或序列

Character包含若干方法，以方便按照code point处理char数组或序列。

返回char数组a中从offset开始count个char包含的code point个数：

publicstaticintcodePointCount(char[]a,intoffset,intcount)

比如，如下代码输出为2, char个数为3，但code point为2。

char[]chs=newchar[3];chs[0]='马';Character.toChars(0x1FFFF,chs,1);System.out.println(Character.codePointCount(chs,0,3));

除了接受char数组，还有一个重载的方法接受字符序列CharSequence：

publicstaticintcodePointCount(CharSequenceseq,intbeginIndex,intendIndex)

CharSequence是一个接口，它的定义如下所示：

publicinterfaceCharSequence{intlength();charcharAt(intindex);CharSequencesubSequence(intstart,intend);publicStringtoString();}

它与一个char数组是类似的，有length方法，有charAt方法根据索引获取字符，String类就实现了该接口。

返回char数组或序列中指定索引位置的code point：

publicstaticintcodePointAt(char[]a,intindex)publicstaticintcodePointAt(char[]a,intindex,intlimit)publicstaticintcodePointAt(CharSequenceseq,intindex)

如果指定索引位置为高代理项，下一个位置为低代理项，则返回两项组成的code point，检查下一个位置时，下一个位置要小于limit，没传limit时，默认为a.length。

返回char数组或序列中指定索引位置之前的code point：

publicstaticintcodePointBefore(char[]a,intindex)publicstaticintcodePointBefore(char[]a,intindex,intstart)publicstaticintcodePointBefore(CharSequenceseq,intindex)

codePointAt是往后找，codePointBefore是往前找，如果指定位置为低代理项，且前一个位置为高代理项，则返回两项组成的code point，检查前一个位置时，前一个位置要大于等于start，没传start时，默认为0。

根据code point偏移数计算char索引：

publicstaticintoffsetByCodePoints(char[]a,intstart,intcount,intindex,intcodePointOffset)publicstaticintoffsetByCodePoints(CharSequenceseq,intindex,intcodePointOffset)

如果字符数组或序列中没有增补字符，返回值为index+codePointOffset，如果有增补字符，则会将codePointOffset看作code point偏移，转换为字符偏移，start和count取字符数组的子数组。

比如，如下代码：

char[]chs=newchar[3];Character.toChars(0x1FFFF,chs,1);System.out.println(Character.offsetByCodePoints(chs,0,3,1,1));输出结果为3,index和codePointOffset都为1，但第二个字符为增补字符，一个code point偏移是两个char偏移，所以结果为3。

5、字符属性

Unicode在给每个字符分配一个编号之外，还分配了一些属性，Character类封装了对Unicode字符属性的检查和操作，下面介绍一些主要的属性。

获取字符类型（general category）​：

publicstaticintgetType(intcodePoint)publicstaticintgetType(charch)

Unicode给每个字符分配了一个类型，这个类型是非常重要的，很多其他检查和操作都是基于这个类型的。

getType方法的参数可以是int类型的code point，也可以是char类型。char类型只能处理BMP字符，而int类型可以处理所有字符。Character类中很多方法都是既可以接受int类型，也可以接受char类型，后续只列出int类型的方法。返回值是int，表示类型，Character类中定义了很多静态常量表示这些类型，下表列出了一些字符、type值，以及Character类中常量的名称。

检查字符是否在Unicode中被定义：

publicstaticbooleanisDefined(intcodePoint)

每个被定义的字符，其getType()返回值都不为0，如果返回值为0，表示无定义。注意与isValidCodePoint的区别，后者只要数字不大于0x10FFFF都返回true。

检查字符是否为数字：

publicstaticbooleanisDigit(intcodePoint)

getType()返回值为DECIMAL_DIGIT_NUMBER的字符为数字。需要注意的是，不光字符’0’、‘1’、……、'9’是数字，中文全角字符的0～9也是数字。比如：

charch='9';//中文全角数字System.out.println((int)ch+", "+Character.isDigit(ch));

输出为：

65305,true

全角字符的9, Unicode编号为65305，它也是数字。检查是否为字母（Letter）​：

publicstaticbooleanisLetter(intcodePoint)

如果getType()的返回值为下列之一，则为Letter：

UPPERCASE_LETTER LOWERCASE_LETTER TITLECASE_LETTER MODIFIER_LETTER OTHER_LETTER

除了TITLECASE_LETTER和MODIFIER_LETTER，其他在表中有示例，而这两个平时碰到的也比较少，就不介绍了。

只要其中之一返回true就返回true。

检查是否为字母（Alphabetic）​：

publicstaticbooleanisAlphabetic(intcodePoint)

这也是检查是否为字母，与isLetter的区别是：isLetter返回true时，isAlphabetic也必然返回true；此外，getType()值为LETTER_NUMBER时，isAlphabetic也返回true，而isLetter返回false。LETTER_NUMBER中常见的字符有罗马数字字符，如’I’、‘Ⅱ’、‘Ⅲ’、‘Ⅳ’。

检查是否为空格字符：

publicstaticbooleanisWhitespace(intcodePoint)

‘\t’、‘\n’、全角空格’ ‘和半角空格’ '的返回值都为true。

检查是否为小写字符：

publicstaticbooleanisLowerCase(intcodePoint)

常见的小写字符主要是小写英文字母a～z。

检查是否为大写字符：

publicstaticbooleanisUpperCase(intcodePoint)

常见的大写字符主要是大写英文字母A～Z。

检查是否为表意象形文字：

publicstaticbooleanisIdeographic(intcodePoint)

大部分中文都返回为true。

检查是否为ISO 8859-1编码中的控制字符：

publicstaticbooleanisISOControl(intcodePoint)

我们在第2章介绍过，0～31、127～159表示控制字符。

检查是否可作为Java标识符的第一个字符：

publicstaticbooleanisJavaIdentifierStart(intcodePoint)

Java标识符是Java中的变量名、函数名、类名等，字母（Alphabetic）​、美元符号（$）​、下画线（_）可作为Java标识符的第一个字符，但数字字符不可以。

检查是否可作为Java标识符的中间字符：

publicstaticbooleanisJavaIdentifierPart(intcodePoint)

相比isJavaIdentifierStart，主要多了数字字符，Java标识符的中间字符可以包含数字。

检查是否为镜像（mirrowed）字符：

publicstaticbooleanisMirrored(intcodePoint)

常见镜像字符有( )、{ }、< >、​[ ]​，都有对应的镜像。

6、字符转换

Unicode除了规定字符属性外，对有大小写对应的字符，还规定了其对应的大小写，对有数值含义的字符，也规定了其数值。

我们先来看大小写，Character有两个静态方法，对字符进行大小写转换：

publicstaticinttoLowerCase(intcodePoint)publicstaticinttoUpperCase(intcodePoint)

这两个方法主要针对英文字符a～z和A～Z，例如：toLowerCase(‘A’)返回’a’, toUpper-Case(‘z’)返回’Z’。

返回一个字符表示的数值：

publicstaticintgetNumericValue(intcodePoint)

字符’0’～’9’返回数值0～9，对于字符a～z，无论是小写字符还是大写字符，无论是普通英文还是中文全角，数值结果都是10～35。例如，如下代码的输出结果是一样的，都是10。

System.out.println(Character.getNumericValue('A'));//全角大写ASystem.out.println(Character.getNumericValue('A'));System.out.println(Character.getNumericValue('a'));//全角小写aSystem.out.println(Character.getNumericValue('a'));

返回按给定进制表示的数值：

publicstaticintdigit(intcodePoint,intradix)

radix表示进制，常见的有二进制、八进制、十进制、十六进制，计算方式与get-NumericValue类似，只是会检查有效性，数值需要小于radix，如果无效，返回-1。例如：digit(‘F’,16)返回15，是有效的；但digit(‘G’,16)就无效，返回-1。

返回给定数值的字符形式：

publicstaticcharforDigit(intdigit,intradix)

与digit(int codePoint, int radix)相比，进行相反转换，如果数字无效，返回’\0’。例如， Character.forDigit(15,16)返回’F’。

与Integer类似，Character也有按字节翻转：

publicstaticcharreverseBytes(charch)

例如，翻转字符0x1234：

System.out.println(Integer.toHexString(Character.reverseBytes((char)0x1234)));

输出为3412。