java - 在 Java/Android 中找出 UTF-8 字符串中的字符数

Question

当字符串以 UTF-8 格式存储时，我试图找出字符串长度。我尝试了以下方法:

String str = "मेरा नाम";
Charset UTF8_CHARSET = Charset.forName("UTF-8");
byte[] abc = str.getBytes(UTF8_CHARSET);
int length = abc.length;

这给出了字节数组的长度，但不是字符串中的字符数。

我找到了一个同时显示 UTF-8 字符串长度和字节长度的网站。 https://mothereff.in/byte-counter假设我的字符串是 मेरा नाम，那么我应该将字符串长度设置为 8 个字符而不是 22 个字节。

谁能指导一下。

Answer 1

最短的“长度”是 Unicode 代码点，作为编号字符的概念，UTF-32。

更正:正如@liudongmiao 提到的，可能应该使用:

int length = string.codePointCount(0, string.length);

在 Java 8 中:

int length = (int) string.codePoints().count();

以前的javas:

int length(String s) {
   int n = 0;
   for (int i = 0; i < s.length(); ++n) {
       int cp = s.codePointAt(i);
       i += Character.charCount(cp);
   }
   return n;
}

一个 Unicode 代码点可以用 UTF-16 编码为一个或两个 char。

相同的 Unicode 字符可能有变音符号。它们可以写成单独的代码点:基本字母 + 零个或多个变音符号。将字符串规范化为一个 (C=) 压缩代码点:

string = java.text.Normalizer.normalize(string, Normalizer.Form.NFC);

顺便说一句，对于数据库而言，UTF-16 长度似乎更有用:

string.length() // Number of UTF-16 chars, every char two bytes.

(在例子中提到的 UTF-32 长度 == UTF-16 长度。)

---

转储函数

评论者有一些意想不到的结果:

void dump(String s) {
   int n = 0;
   for (int i = 0; i < s.length(); ++n) {
       int cp = s.codePointAt(i);
       int bytes = Character.charCount(cp);
       i += bytes;
       System.out.printf("[%d] #%dB: U+%X = %s%n",
           n, bytes, cp, Character.getName(cp));
   }
   System.out.printf("Length:%d%n", n);
}