Come posso iterare attraverso i punti di codice Unicode di una stringa Java?

Quindi lo so String#codePointAt(int), ma è indicizzato chardall'offset, non dall'offset del punto di codice.

Sto pensando di provare qualcosa come:

• utilizzando String#charAt(int)per ottenere charun indice
• verificare se charè nella gamma di surrogati alti
  • in tal caso, utilizzare String#codePointAt(int)per ottenere il punto di codice e incrementare l'indice di 2
  • in caso contrario, usa il charvalore dato come codepoint e incrementa l'indice di 1

Ma le mie preoccupazioni lo sono

• Non sono sicuro se i punti di codice che sono naturalmente nell'intervallo di surrogati alti verranno memorizzati come due charvalori o uno
• questo sembra un modo terribilmente costoso per scorrere i personaggi
• qualcuno deve aver escogitato qualcosa di meglio.

Sì, Java utilizza una codifica UTF-16 per le rappresentazioni interne delle stringhe e, sì, codifica i caratteri al di fuori del Basic Multilingual Plane ( BMP ) utilizzando lo schema di maternità surrogata.

Se sai che avrai a che fare con caratteri al di fuori del BMP, ecco il modo canonico per iterare sui caratteri di una stringa Java:

final int length = s.length();
for (int offset = 0; offset < length; ) {
   final int codepoint = s.codePointAt(offset);

   // do something with the codepoint

   offset += Character.charCount(codepoint);
}

Aggiunto Java 8 CharSequence#codePointsche restituisce un IntStreamcontenente i punti di codice. Puoi utilizzare lo stream direttamente per scorrere su di essi:

string.codePoints().forEach(c -> ...);

o con un ciclo for raccogliendo il flusso in un array:

for(int c : string.codePoints().toArray()){
    ...
}

Questi metodi sono probabilmente più costosi rispetto alla soluzione di Jonathan Feinbergs , ma sono più veloci da leggere / scrivere e la differenza di prestazioni sarà generalmente insignificante.

L'iterazione dei punti di codice viene archiviata come richiesta di funzionalità su Sun.

Vedi Sun Bug Entry

C'è anche un esempio su come iterare su String CodePoints.

Ho pensato di aggiungere un metodo alternativo che funziona con i cicli foreach ( ref ), inoltre puoi convertirlo facilmente nel nuovo metodo String # codePoints di java 8 quando passi a java 8:

Puoi usarlo con foreach in questo modo:

 for(int codePoint : codePoints(myString)) {
   ....
 }

Ecco l'helper mthod:

public static Iterable<Integer> codePoints(final String string) {
  return new Iterable<Integer>() {
    public Iterator<Integer> iterator() {
      return new Iterator<Integer>() {
        int nextIndex = 0;
        public boolean hasNext() {
          return nextIndex < string.length();
        }
        public Integer next() {
          int result = string.codePointAt(nextIndex);
          nextIndex += Character.charCount(result);
          return result;
        }
        public void remove() {
          throw new UnsupportedOperationException();
        }
      };
    }
  };
}

O in alternativa, se vuoi solo convertire una stringa in un array di int (che potrebbe utilizzare più RAM rispetto all'approccio precedente):

 public static List<Integer> stringToCodePoints(String in) {
    if( in == null)
      throw new NullPointerException("got null");
    List<Integer> out = new ArrayList<Integer>();
    final int length = in.length();
    for (int offset = 0; offset < length; ) {
      final int codepoint = in.codePointAt(offset);
      out.add(codepoint);
      offset += Character.charCount(codepoint);
    }
    return out;
  }

Per fortuna utilizza "codePoints" gestisce in modo sicuro la coppia surrogata di UTF-16 (rappresentazione di stringa interna di java).