java - 分隔 Unicode 连字字符

Question

在大量的 unicode 字符中，有一些实际上表示多个字符，例如两个 'f' 字符的 U+FB00 连字 ff。有什么方法可以轻松地将这样的字符转换为多个单个字符？最好是标准 Java API 中可用的东西，但如果需要，我可以引用外部库。

Answer 1

U+FB00 是兼容字符。通常，Unicode 不支持连字的单独代码点(认为这是一个布局决定是否以及何时应该使用连字，并且不应该影响数据的存储方式)。其中少数仍然存在，以允许与旧编码的往返转换兼容性确实将连字表示为单独的实体。

幸运的是，在 Unicode data file 中，连字所代表的字符信息 存在。并且大多数功能强大的字符串处理系统都内置了该数据。

在 Java 中，您需要使用 the Normalizer class和 NFKC形式:

String ff ="\uFB00";
String normalized = Normalizer.normalize(ff, Form.NFKC);
System.out.println(ff + " = " + normalized);

这将打印出来

ff = ff