java - 在 Java 中反转 utf-8 字符串

Question

我试图编写一个 Java 代码来反转 Java 中的 utf-8 字符串。我在一次采访中被问到这个问题。但是我想知道如果我将字节转换为位并从位中获取代码点，那么我们该如何编写代码。可能这就是面试官想要的。

class Ideone
{

    public static void main(String[] args) {
        String s ="Ž®aͻ";char[] ch = new char[s.length()];
        StringBuilder sb = new StringBuilder(s);
        StringBuilder rev = new StringBuilder();

        for (int i=0; i< s.length(); i++) {

            int x = sb.codePointAt(i);
            char[] y = Character.toChars(x);
            rev.append(y);
        }
        System.out.println(rev.reverse());

    }

}

Answer 1

首先，所有 Java 字符串都是 UTF-16 编码的，而不是 UTF-8。这对于反转字符串之类的任务很重要，因为字符占用的字节数取决于编码。在 UTF-8 中，字节数是可变的，而在 UTF-16 中，它总是是两个字节。 char 是 16 位数据，即使它只是表示 ASCII。 UTF-8 可以用 8 位编码 ASCII，但可能需要更多位来表示其他字符。

因为 char 是 16 位，所以大多数字符(包括示例中的 Ž®aͻ)都很好地适合单独的 char，没有问题。然而，一些字符(特别是 Emoji 属于这一类)不能用单个 char 表示，现在我们正在处理 surrogate pairs .在处理可能具有代理项对的文本时，您必须非常小心地处理字符串操作，因为大多数 Java API(尤其是 String 上的几乎所有方法)都无法正确处理它们。

举个更好的例子，考虑字符串 "👶👧👩👵💀🤖"。六个字，对吧？不是根据 Java!

String s ="👶👧👩👵💀🤖";
System.out.println("String: " + s);
System.out.println("Length: " + s.length());
System.out.println("Chars:  " + Arrays.toString(s.toCharArray()));
System.out.println("Split:  " + Arrays.asList(s.split("")));

这打印:

String: 👶👧👩👵💀🤖
Length: 12
Chars:  [?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?]
Split:  [?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?]

现在，一些 API 确实可以正确处理代理项对，例如 StringBuilder.reverse() :

If there are any surrogate pairs included in the sequence, these are treated as single characters for the reverse operation. Thus, the order of the high-low surrogates is never reversed.

假设为了面试你不能使用这个方法(或者，可以理解，你不能当场记忆它是否安全)，你可以迭代代码点 与 String.codePoints() 的字符串.这使您可以安全地反转内容:

List<String> chars = s.codePoints()
    .mapToObj(i -> String.valueOf(Character.toChars(i)))
    .collect(Collectors.toList());
Collections.reverse(chars);
System.out.println(chars.stream().collect(Collectors.joining()));

打印:

🤖💀👵👩👧👶