java - 处理 Java 字符串中的 Unicode 代理值

Question

考虑以下代码:

byte aBytes[] = { (byte)0xff,0x01,0,0,
                  (byte)0xd9,(byte)0x65,
                  (byte)0x03,(byte)0x04, (byte)0x05, (byte)0x06, (byte)0x07,
                  (byte)0x17,(byte)0x33, (byte)0x74, (byte)0x6f,
                   0, 1, 2, 3, 4, 5,
                   0 };
String sCompressedBytes = new String(aBytes, "UTF-16");
for (int i=0; i<sCompressedBytes.length; i++) {
    System.out.println(Integer.toHexString(sCompressedBytes.codePointAt(i)));
}

得到以下不正确的输出:

ff01, 0, fffd, 506, 717, 3374, 6f00, 102, 304, 500.

但是，如果将输入数据中的0xd9改为0x9d，则得到如下正确输出:

ff01, 0, 9d65, 304, 506, 717, 3374, 6f00, 102, 304, 500.

我意识到这个功能是因为字节 0xd9 是一个高代理 Unicode 标记。

问题:有没有办法在 Java Unicode 字符串中提供、识别和提取代理字节(0xd800 到 0xdfff)？
谢谢

Answer 1

编辑:这解决了评论中的问题

如果你想在字符串中编码任意二进制数据，你应该不使用普通的文本编码。您在该编码中没有有效文本 - 您只有任意二进制数据。

Base64是去这里的路。 Java 中不直接支持 base64(无论如何在公共(public)类中)，但是您可以使用各种第 3 方库，例如 the one in the Apache Commons Codec library .

是的，base64 会增加数据的大小 - 但它允许您稍后对其进行解码而不会丢失信息。

编辑:这解决了原始问题

我认为问题在于您没有指定合适的代理对。您应该指定代表低代理项和高代理项的字节。之后，您应该能够添加适当的代码点。在您的情况下，您已经单独给出了一个低代理。

下面是演示这一点的代码:

public class Test
{
    public static void main(String[] args)
        throws Exception // Just for simplicity
    {
        byte[] data = 
        {
            0, 0x41, // A
            (byte) 0xD8, 1, // High surrogate
            (byte) 0xDC, 2, // Low surrogate
            0, 0x42, // B
        };

        String text = new String(data, "UTF-16");

        System.out.printf("%x\r\n", text.codePointAt(0));
        System.out.printf("%x\r\n", text.codePointAt(1));
        // Code point at 2 is part of the surrogate pair
        System.out.printf("%x\r\n", text.codePointAt(3));       
    }
}

输出:

41
10402
42