gpt4 book ai didi

java - JIS X 0208 转换 : how to handle unified (merged) codepoints

转载 作者:行者123 更新时间:2023-12-01 15:15:15 25 4
gpt4 key购买 nike

我正在尝试将 Java 字符转换为 JIS X 0208“x-JIS0208”编码(或任何兼容的编码,例如 EUC-JP,但不是 Shift-JIS),但我希望正确处理统一(合并)的代码点.

例如,高被分配给 this JISX0208 chart 中的第 25 行第 66 列,和一个看起来相似的字符髙,虽然被分类为未分配的代码点,但与前者合并。我引用维基百科:“[ ] (高) 形式和不太常见的梯状结构 (髙) 都包含在相同的代码点中”。

我在下面的代码中尝试了这一点,无论我尝试什么编码,我总是会遇到异常或未分配的字符占位符 ? (ASCII 或全角)。

有没有办法,也许是不同的结尾或完全不同的转换方式,所以这两个字符返回相同的代码点?或者,是否有一个 API 可以查找此类字符,以便我可以在转换之前合并它们?

static Charset      charset1    = Charset.forName("x-JIS0208");
static Charset charset2 = Charset.forName("EUC-JP");
static Charset[] charsets = {charset1, charset2};

static CharBuffer in = CharBuffer.allocate(1);

public static void main(String[] args) throws Exception
{
CharsetEncoder[] encoders = new CharsetEncoder[charsets.length];
for (int i = 0; i < charsets.length; i++)
encoders[i] = charsets[i].newEncoder();

char[] testChars = {' ', 'A', '?', '亜', '唖', '蔭', '高', '髙'};

for (char ch : testChars)
{
System.out.print("'" + ch + "'\t(" + Integer.toHexString(ch) + ")\t=");

for (int i = 0; i < charsets.length; i++)
{
System.out.print("\t" + interpret(encode1(encoders[i], ch)));
System.out.print("\t" + interpret(encode2(charsets[i], ch)));
}
System.out.println();
}
}

private static String interpret(int i)
{
if (i == -1)
return "excepti";
if (i < 0x80)
return "'" + (char)i + "'";
return Integer.toHexString(i);
}

private static int encode1(CharsetEncoder encoder, char ch)
{
in.rewind();
in.put(ch);
in.rewind();

try
{
ByteBuffer out = encoder.encode(in);

if (out.limit() == 1)
return out.get(0) & 0xFF;
return out.get(1) & 0xFF | (out.get(0) & 0xFF) << 8;
}
catch (CharacterCodingException e)
{
return -1;
}
}

private static int encode2(Charset charset, char ch)
{
in.rewind();
in.put(ch);
in.rewind();

ByteBuffer out = charset.encode(in);

if (out.limit() == 1)
return out.get(0) & 0xFF;
return out.get(1) & 0xFF | (out.get(0) & 0xFF) << 8;
}

输出:

' ' (3000)  =   2121    2121    a1a1    a1a1
'A' (ff21) = 2341 2341 a3c1 a3c1
'?' (ff1f) = 2129 2129 a1a9 a1a9
'亜' (4e9c) = 3021 3021 b0a1 b0a1
'唖' (5516) = 3022 3022 b0a2 b0a2
'蔭' (852d) = 307e 307e b0fe b0fe
'高' (9ad8) = 3962 3962 b9e2 b9e2
'髙' (9ad9) = excepti 2129 excepti '?'

注意:我只对转换单个字符感兴趣,很多字符,而不是字符串或流,所以我实际上更喜欢一种不同的方法(如果存在),它不会在每次转换时分配 ByteBuffer。

最佳答案

髙不包含在 JIS X 0208 中,但包含在 Microsoft Windows 代码页 932 (MS932) 中。这是 Shift JIS 编码的变体,并且是 JIS X 0208 字符集的超集。您应该为 MS932 使用名称“Windows-31j”,例如:

Charset.forName("Windows-31j");

而不是Charset.forName("x-JIS0208");

编辑

一些字符如𨦇和铗(剪刀)的映射表是由日本政府分发的,如National Tax Agency (参见JIS缩退マップ(Ver.1.0.0))。但这些映射表不包含字符。我认为这是因为不包含在JIS X 0208和JIS X 0213中。

所以,我认为你必须手动将 替换为 (使用 String#replaceAll()),或者自己制作使用 CharsetProvider 自定义 Charset

关于java - JIS X 0208 转换 : how to handle unified (merged) codepoints,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11708099/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com