我如何使用 InCombiningDiacriticalMarks 忽略一个案例

Question

我正在编写删除一个字符串的所有变音符号的代码。

例如：áÁéÉíÍóÓúÚäÄëËïÏöÖüÜñÑ

我正在使用 Unicode 的属性InCombiningDiacriticalMarks。但我想忽略 ñ 和 Ñ 的替换。

现在我保存这两个字符，然后替换为：

    s = s.replace('ñ', '\001');
    s = s.replace('Ñ', '\002');

可以使用InCombiningDiacriticalMarks 忽略ñ 和Ñ 的变音符号。

这是我的代码：

public static String stripAccents(String s) 
{
    /*Save ñ*/
    s = s.replace('ñ', '\001');
    s = s.replace('Ñ', '\002');
    s = Normalizer.normalize(s, Normalizer.Form.NFD);
    s = s.replaceAll("[\\p{InCombiningDiacriticalMarks}]", "");
    /*Add ñ to s*/
    s = s.replace('\001', 'ñ');
    s = s.replace('\002', 'Ñ');

    return s;
}   

它工作正常，但我想知道是否可以优化此代码。

Answer 1

这取决于您所说的“优化”是什么意思。很难从您编写的代码中减少代码行数，但是由于您要处理字符串六次，因此可以通过只处理输入字符串一次，逐个字符来提高性能：

public class App {

    // See SO answer https://stackoverflow.com/a/10831704/2985643 by virgo47
    private static final String tab00c0
            = "AAAAAAACEEEEIIII"
            + "DNOOOOO\u00d7\u00d8UUUUYI\u00df"
            + "aaaaaaaceeeeiiii"
            + "\u00f0nooooo\u00f7\u00f8uuuuy\u00fey"
            + "AaAaAaCcCcCcCcDd"
            + "DdEeEeEeEeEeGgGg"
            + "GgGgHhHhIiIiIiIi"
            + "IiJjJjKkkLlLlLlL"
            + "lLlNnNnNnnNnOoOo"
            + "OoOoRrRrRrSsSsSs"
            + "SsTtTtTtUuUuUuUu"
            + "UuUuWwYyYZzZzZzF";

    public static void main(String[] args) {
        var input = "AaBbCcáÁéÉíÍóÓúÚäÄëËïÏöÖüÜñÑçÇ";
        var output = removeDiacritic(input);
        System.out.println("input  = " + input);
        System.out.println("output = " + output);
    }

    public static String removeDiacritic(String input) {
        var output = new StringBuilder(input.length());
        for (var c : input.toCharArray()) {
            if (isModifiable(c)) {
                c = tab00c0.charAt(c - '\u00c0');
            }
            output.append(c);
        }
        return output.toString();
    }

    // Returns true if the supplied char is a candidate for diacritic removal. 
    static boolean isModifiable(char c) {
        boolean modifiable;

        if (c < '\u00c0' || c > '\u017f') {
            modifiable = false;
        } else {
            modifiable = switch (c) {

                case 'ñ', 'Ñ' ->
                    false;
                default ->
                    true;
            };
        }
        return modifiable;
    }
}

这是运行代码的输出：

input  = AaBbCcáÁéÉíÍóÓúÚäÄëËïÏöÖüÜñÑçÇ
output = AaBbCcaAeEiIoOuUaAeEiIoOuUñÑcC

输入字符串中没有变音符号的字符不会被修改。否则，除ñ 和Ñ 的情况外，将删除变音符号（例如Ç 到C）。

注意事项：

• 代码根本不使用Normalizer 类或InCombiningDiacriticalMarks。相反，它只处理输入字符串中的每个字符一次，并在适当的情况下删除其重音。据我所知，删除变音符号的传统方法（如 OP 中所用）不支持选择性删除。
• 代码基于on an answer by user virgo47，但经过增强以支持选择性删除重音。有关将重音字符映射到非重音字符的详细信息，请参阅 virgo47 的答案。
• 此解决方案仅适用于 Latin-1/Latin-2，但可以增强以支持其他映射。
• 您的解决方案非常简短且易于理解，但感觉很脆弱，而且对于大量输入，我怀疑它会比只处理每个字符一次的方法慢得多。