java - 如何生成包含增补字符的随机 Unicode 字符串？

Question

我正在编写一些用于生成随机字符串的代码。生成的字符串似乎包含无效的 char 组合。具体来说，我发现高代理项后面没有低代理项。

谁能解释一下为什么会发生这种情况？我是否必须显式生成随机低代理才能跟随高代理？我认为这不是必需的，因为我使用的是 Character 类的 int 变体。

这是测试代码，在最近的运行中产生了以下错误的配对:

Bad pairing: d928 - d863Bad pairing: da02 - 7bb6Bad pairing: dbbc - d85cBad pairing: dbc6 - d85c

public static void main(String[] args) {
  Random r = new Random();
  StringBuilder builder = new StringBuilder();

  int count = 500;
  while (count > 0) {
    int codePoint = r.nextInt(Character.MAX_CODE_POINT + 1);

    if (!Character.isDefined(codePoint)
        || Character.getType(codePoint) == Character.PRIVATE_USE) {
      continue;
    }

    builder.appendCodePoint(codePoint);
    count--;
  }

  String result = builder.toString();

  // Test the result
  char lastChar = 0;
  for (int i = 0; i < result.length(); i++) {
    char c = result.charAt(i);
    if (Character.isHighSurrogate(lastChar) && !Character.isLowSurrogate(c)) {
      System.out.println(String.format("Bad pairing: %s - %s",
          Integer.toHexString(lastChar), Integer.toHexString(c)));
    }
    lastChar = c;
  }
}

Answer 1

可以随机生成高或低的代理。如果这导致低代理项，或者高代理项后面没有低代理项，则生成的字符串无效。解决方案是简单地排除所有代理:

if (!Character.isDefined(codePoint)
    || (codePoint <= Character.MAX_CHAR && Character.isSurrogate((char)codePoint))
    || Character.getType(codePoint) == Character.PRIVATE_USE) {
  continue;
}

或者，它应该只查看从 getType 返回的类型:

int type = Character.getType(codePoint);
if (type == Character.PRIVATE_USE ||
    type == Character.SURROGATE ||
    type == Character.UNASSIGNED)
    continue;

(从技术上讲，您还可以允许随机生成高代理并添加另一个随机低代理，但这只会创建其他随机代码点 >= 0x10000，而这些代码点可能是未定义的或供私有(private)使用。)