java - 将 unicode 字符转换为 int 会给出错误的代码

Question

我对 Java 还很陌生，所以请保持温柔。

这似乎是一个常见问题，但我似乎仍然无法找到我正在寻找的答案。

我正在编写一个控制台应用程序，它将获取一串字符并将其打印在屏幕上，但更大。例如:“JAVA”将打印为:

 JJJJJ   A   V   V   A
   J    A A  V   V  A A
   J   A   A V   V A   A
   J   AAAAA V   V AAAAA
   J   A   A V   V A   A
 J J   A   A  V V  A   A
 JJJ   A   A   V   A   A

没什么特别的。字符串被分解为字符，然后在一个大的 switch case 中查找每个字符，然后返回较大的字母。在必要时进行一些包装后，将大字母粘在一起并打印。

这太简单了，因为我想让我的生活更具挑战性，所以我想允许使用某些 unicode 字符，例如黑心 (❤)\u2674，(无论如何，这就是 Windows 字符映射表所声称的内容) )。基本上，将某种代码传递到参数中将在强内部进行替换并解释为 unicode 字符，例如: JAVA {HEART} 可能会输出(我知道心脏搞砸了，但它用等宽字体显示得很好):

 JJJJJ   A   V   V   A     ❤❤  ❤❤
   J    A A  V   V  A A   ❤❤❤❤❤❤
   J   A   A V   V A   A   ❤❤❤❤❤
   J   AAAAA V   V AAAAA    ❤❤❤❤
   J   A   A V   V A   A     ❤❤❤
 J J   A   A  V V  A   A      ❤❤
 JJJ   A   A   V   A   A       ❤

据我所知，unicode 应该适合 char(2 个字节)并且绝对应该适合 int(4 个字节)，所以我做了一个实验。坊间流传的说法是，转换为 int 会得到字符代码。

String unicodeStr = "\u2674"; // Unicode for black heart.
System.out.println(unicodeStr.getBytes().length); // Only one byte, so should fit into a char, right?

char unicode = '\u2674'; // All good so far.
System.out.println((int)unicode); // Returns 9844. WTAF??

System.exit(-1); // Argh! Oh noez... Panic!

显然我在这里误解了一些东西，但我不知道是什么。请有人解释一下为什么我得到错误的字符代码？我尝试过使用 codePoints 但显然我也不知道我在用它做什么。如果有人能指出我正确的方向，我将永远感激不已。目标是将字符串拆分为字符，并通过 switch case 将每个字符转换为一个大字母。

Answer 1

根据specification , getBytes() 使用平台的默认字符集对字符串进行编码，这与 Java 的内部编码 UTF-16 不同。这就是为什么您的 getBytes() 返回一个单长度字节数组。

但事实上，字符 '\u2674' 的 UTF-16 表示可以放入单个字符中，因为 9844 是十六进制值 0x2674 的十进制表示。

但我还是建议你使用codePoints，因为有些字符不能存储在单个字符中，例如U+1D161 (𝅘𝅥𝅯 )。

要使用 codePoints 迭代 String，您可以使用以下代码:

public class Main {

    public static void main(String[] args) {
        String str = "JAVA\uD834\uDD61\u2665";
        int len = str.length();
        for(int i = 0; i < len; ) {
            int cp = str.codePointAt(i);
            i += cp > 0xFFFF ? 2 : 1;

            if(cp == "\u2665".codePointAt(0)) {
                System.out.println("Heart!");
            }
            else if(cp == "\uD834\uDD61".codePointAt(0)){
                System.out.println("Music!");
            }
            else{
                System.out.println((char)cp);
            }
        }
    }

}

输出:

JAVA𝅘𝅥𝅯♥
size: 6
J
A
V
A
Music!
Heart!

为什么要用\uD834\uDD61来表示U+1D161？

根据wikipedia ，为了表示UTF-16中的U+10000 ~ U+10FFFF字符，我们需要用0x10000减去0x1D161，然后得到0x0D161，即二进制的(0000 1101 0001 0110 0001)。

然后，我们取高十位，即(0000 1101 00)，即0x034，将0x034与0xD800相加，得到0xD834。这是 U+1D161 的 UTF-16 表示形式的高字节。

对于低十位，我们得到0x161 + 0xDC00，即0xDD61。

还有一个问题，String.codePointAt将char索引作为参数。有时，一个码点可能会占用两个字符的空间，因此在增加i之前，我们应该检查当前码点是否大于0xFFFF。

顺便说一句，如果您使用的是 Java 1.8，则可以使用新的 String.codePoints API，返回一个 IntStream。