java - 如何阅读非 BMP (astral) Unicode 增补字符(代码点)

Question

G 谱号 (U+1D11E) 不属于 Basic Multilingual Plane (BMP)，这意味着它需要超过 16 位。几乎所有 Java 的读取函数只返回一个 char 或一个 int 也包含 only 16 bit .哪个函数读取完整的 Unicode 符号，包括 SMP、SIP、TIP、SSP 和 PUA？

更新

我问过如何从输入流中读取单个 Unicode 符号(或代码点)。我既没有任何整数数组，也不想读取一行。

可以使用 Character.toCodePoint() 构建代码点，但此函数需要 char。另一方面，读取 char 是不可能的，因为 read() 返回一个 int。到目前为止，我最好的解决方法是这个，但它仍然包含不安全的转换:

public int read_code_point (Reader input) throws java.io.IOException
{
  int ch16 = input.read();
  if (Character.isHighSurrogate((char)ch16))
    return Character.toCodePoint((char)ch16, (char)input.read());
  else 
    return (int)ch16;
}

如何做得更好？

更新 2

另一个返回字符串但仍然使用强制转换的版本:

public String readchar (Reader input) throws java.io.IOException
{
  int i16 = input.read(); // UTF-16 as int
  if (i16 == -1) return null;
  char c16 = (char)i16; // UTF-16
  if (Character.isHighSurrogate(c16)) {
    int low_i16 = input.read(); // low surrogate UTF-16 as int
    if (low_i16 == -1)
      throw new java.io.IOException ("Can not read low surrogate");
    char low_c16 = (char)low_i16;
    int codepoint = Character.toCodePoint(c16, low_c16);
    return new String (Character.toChars(codepoint));
  }
  else 
    return Character.toString(c16);
}

剩下的问题:强制转换是否安全或如何避免？

Answer 1

My best work around so far is this but it still contains unsafe casts

您提供的代码唯一不安全的地方是，如果 input 已达到 EOF，则 ch16 可能为 -1。如果您首先检查此条件，那么您可以保证其他 (char) 转换是安全的，因为 Reader.read() is specified返回 -1 或 char (0 - 0xFFFF) 范围内的值。

public int read_code_point (Reader input) throws java.io.IOException
{
  int ch16 = input.read();
  if (ch16 < 0 || !Character.isHighSurrogate((char)ch16))
    return ch16;
  else {
    int loSurr = input.read();
    if(loSurr < 0 || !Character.isLowSurrogate((char)loSurr)) 
      return ch16; // or possibly throw an exception
    else 
      return Character.toCodePoint((char)ch16, (char)loSurr);
  }
}

这仍然不理想，您确实需要处理边缘情况，即读取的第一个 char 是高代理项但第二个不是匹配的低代理项，在这种情况下您可能想按原样返回第一个 char 并备份 reader 以便下一次读取为您提供下一个字符。但这仅在 input.markSupported() == true 时有效。如果你可以保证那么怎么样

public int read_code_point (Reader input) throws java.io.IOException
{
  int firstChar = input.read();
  if (firstChar < 0 || !Character.isHighSurrogate((char)firstChar)) {
    return firstChar;
  } else {
    input.mark(1);
    int secondChar = input.read();
    if(secondChar < 0) {
      // reached EOF
      return firstChar;
    } else if(!Character.isLowSurrogate((char)secondChar)) {
      // unpaired surrogates, un-read the second char
      input.reset();
      return firstChar;
    }
    else {
      return Character.toCodePoint((char)firstChar, (char)secondChar);
    }
  }
}

或者您可以将原始阅读器包装在 PushbackReader 中并使用 unread(secondChar)