Java Unicode 字符串长度

Question

我正在努力获取 unicode 字符串的数量并尝试了各种选项。看起来是个小问题，但影响很大。

这里我试图获取字符串 str1 的长度。我得到它为 6。但实际上它是 3。将光标移到字符串“குமார்”上也将其显示为 3 个字符。

基本上我想测量长度并打印每个字符。比如“கு”、“மா”、“ர்”。

 public class one {
    public static void main(String[] args) {
            String str1 = new String("குமார்");
            System.out.print(str1.length());
    }
}

PS：这是泰米尔语。

Answer 1

这是一种考虑 Unicode 字符来计算 Java 字符串长度的新方法。

int unicodeLength = str.codePointCount(0, str.length);

Answer 2

看看Normalizer 类。有一个解释可能是您的问题的原因。在 Unicode 中，您可以通过多种方式对字符进行编码，例如 Á:

  U+00C1    LATIN CAPITAL LETTER A WITH ACUTE

或

  U+0041    LATIN CAPITAL LETTER A
  U+0301    COMBINING ACUTE ACCENT

您可以尝试使用Normalizer 将您的字符串转换为组合形式，然后遍历字符。

---

编辑：根据上面@halex 建议的文章，用Java 试试这个：

    String str = new String("குமார்");

    ArrayList<String> characters = new ArrayList<String>();
    str = Normalizer.normalize(str, Form.NFC);
    StringBuilder charBuffer = new StringBuilder();
    for (int i = 0; i < str.length(); i++) {
        int codePoint = str.codePointAt(i);
        int category = Character.getType(codePoint);
        if (charBuffer.length() > 0
                && category != Character.NON_SPACING_MARK
                && category != Character.COMBINING_SPACING_MARK
                && category != Character.CONTROL
                && category != Character.OTHER_SYMBOL) {
            characters.add(charBuffer.toString());
            charBuffer.delete(0, charBuffer.length());
        }
        charBuffer.appendCodePoint(codePoint);
    }
    if (charBuffer.length() > 0) {
        characters.add(charBuffer.toString());
    }
    System.out.println(characters);

我得到的结果是[கு, மா, ர்]。如果它不适用于所有字符串，请尝试使用 if 块中的其他 Unicode 字符类别。

Answer 3

找到解决问题的方法。

基于this SO answer，我制作了一个程序，它使用正则表达式字符类来搜索可能具有可选修饰符的字母。它将您的字符串拆分为单个（必要时组合）字符并将它们放入列表中：

import java.util.*;
import java.lang.*;
import java.util.regex.*;

class Main
{
    public static void main (String[] args)
    {
        String s="குமார்";
        List<String> characters=new ArrayList<String>();
        Pattern pat = Pattern.compile("\\p{L}\\p{M}*");
        Matcher matcher = pat.matcher(s);
        while (matcher.find()) {
            characters.add(matcher.group());            
        }

        // Test if we have the right characters and length
        System.out.println(characters);
        System.out.println("String length: " + characters.size());

    }
}

其中\\p{L} 表示Unicode 字母，\\p{M} 表示Unicode 标记。

sn-p的输出是：

கு
மா
ர்
String length: 3

请参阅https://ideone.com/Apkapn 以获得有效的演示

---

编辑

我现在用从http://en.wikipedia.org/wiki/Tamil_script 的表格中提取的所有有效泰米尔语字母检查了我的正则表达式。我发现使用当前的正则表达式无法正确捕获所有字母（Grantha 复合表最后一行中的每个字母都被拆分为两个字母），因此我将正则表达式改进为以下解决方案：

Pattern pat = Pattern.compile("\u0B95\u0BCD\u0BB7\\p{M}?|\\p{L}\\p{M}?");

使用此模式而不是上述模式，您应该能够将您的句子拆分为每个有效的泰米尔语字母（只要维基百科的表格完整）。

我用来检查的代码如下：

String s = "ஃஅஆஇஈஉஊஎஏஐஒஓஔக்ககாகிகீகுகூகெகேகைகொகோகௌங்ஙஙாஙிஙீஙுஙூஙெஙேஙைஙொஙோஙௌச்சசாசிசீசுசூசெசேசைசொசோசௌஞ்ஞஞாஞிஞீஞுஞூஞெஞேஞைஞொஞோஞௌட்டடாடிடீடுடூடெடேடைடொடோடௌண்ணணாணிணீணுணூணெணேணைணொணோணௌத்ததாதிதீதுதூதெதேதைதொதோதௌந்நநாநிநீநுநூநெநேநைநொநோநௌப்பபாபிபீபுபூபெபேபைபொபோபௌம்மமாமிமீமுமூமெமேமைமொமோமௌய்யயாயியீயுயூயெயேயையொயோயௌர்ரராரிரீருரூரெரேரைரொரோரௌல்லலாலிலீலுலூலெலேலைலொலோலௌவ்வவாவிவீவுவூவெவேவைவொவோவௌழ்ழழாழிழீழுழூழெழேழைழொழோழௌள்ளளாளிளீளுளூளெளேளைளொளோளௌற்றறாறிறீறுறூறெறேறைறொறோறௌன்னனானினீனுனூனெனேனைனொனோனௌஶ்ஶஶாஶிஶீஶுஶூஶெஶேஶைஶொஶோஶௌஜ்ஜஜாஜிஜீஜுஜூஜெஜேஜைஜொஜோஜௌஷ்ஷஷாஷிஷீஷுஷூஷெஷேஷைஷொஷோஷௌஸ்ஸஸாஸிஸீஸுஸூஸெஸேஸைஸொஸோஸௌஹ்ஹஹாஹிஹீஹுஹூஹெஹேஹைஹொஹோஹௌக்ஷ்க்ஷக்ஷாக்ஷிக்ஷீக்ஷுக்ஷூக்ஷெக்ஷேக்ஷைஷொக்ஷோஷௌ";
List<String> characters = new ArrayList<String>();
Pattern pat = Pattern.compile("\u0B95\u0BCD\u0BB7\\p{M}?|\\p{L}\\p{M}?");
Matcher matcher = pat.matcher(s);
while (matcher.find()) {
    characters.add(matcher.group());
}

System.out.println(characters);
System.out.println(characters.size() == 325);

Answer 4

事实证明这真的很丑...... 我已经调试了您的字符串，它包含以下字符（及其十六进制位置）：

க 0x0b95
ு 0x0bc1
ம 0x0bae
ா 0x0bbe
ர 0x0bb0
் 0x0bcd

所以泰米尔语显然使用类似变音符号的序列来获得 不幸的是，所有字符都被视为单独的实体。

这不是 UTF-8 / UTF-16 错误声称的问题 其他答案，它是泰米尔语的 Unicode 编码所固有的 语言。

建议的 Normalizer 不起作用，泰米尔语似乎有 由 Unicode“专家”设计，明确使用组合 无法归一化的序列。啊。

我的下一个想法不是计算字符，而是字形，视觉 字符的表示。

String str1 = new String(Normalizer.normalize("குமார்", Normalizer.Form.NFC ));

Font display = new Font("SansSerif",Font.PLAIN,12);
GlyphVector vec = display.createGlyphVector(new FontRenderContext(new AffineTransform(),false, false),str1);

System.out.println(vec.getNumGlyphs());
for (int i=0; i<str1.length(); i++)
        System.out.printf("%s %s %s %n",str1.charAt(i),Integer.toHexString((int) str1.charAt(i)),vec.getGlyphVisualBounds(i).getBounds2D().toString());

结果：

க b95 [x=0.0,y=-6.0,w=7.0,h=6.0]
ு bc1 [x=8.0,y=-6.0,w=7.0,h=4.0]
ம bae [x=17.0,y=-6.0,w=6.0,h=6.0]
ா bbe [x=23.0,y=-6.0,w=5.0,h=6.0]
ர bb0 [x=30.0,y=-6.0,w=4.0,h=8.0]
் bcd [x=31.0,y=-9.0,w=1.0,h=2.0]

由于字形相交，需要使用 Java 字符类型 功能与其他解决方案类似。

解决方案：

我正在使用这个链接：http://www.venkatarangan.com/blog/content/binary/Counting%20Letters%20in%20an%20Unicode%20String.pdf

public static int getTamilStringLength(String tamil) {
    int dependentCharacterLength = 0;
    for (int index = 0; index < tamil.length(); index++) {
        char code = tamil.charAt(index);
        if (code == 0xB82)
            dependentCharacterLength++;
        else if (code >= 0x0BBE && code <= 0x0BC8)
            dependentCharacterLength++;
        else if (code >= 0x0BCA && code <= 0x0BD7)
            dependentCharacterLength++;
    }
    return tamil.length() - dependentCharacterLength;
  }

您需要排除组合字符并相应地计数。

Answer 5

如前所述，您的字符串包含 6 个不同的代码点。其中一半是字母，另一半是元音符号。 （组合标记）

您可以使用 ICU4J 库中内置的transformations，使用规则删除所有不是字母的元音符号：

[:^字母:] 删除

并计算结果字符串。在他们的演示网站上试用：

http://demo.icu-project.org/icu-bin/translit

我不会将结果字符串显示给最终用户，而且我不是专家，因此可能需要调整规则以适应一般情况，但这是一个想法。