如何从变量中的 id 获取 unicode 字符？

Question

我正在尝试生成一个包含每个 Unicode 变量的文件。我已经能够将 unicode 提高到 U+FFFF，但是我需要将它提高到 U+231F4。我已经尝试搜索答案，但是当符号 id 位于变量中而不是仅键入时，它们都不起作用。

现在，我有这个：

for (int i = 0; i < 143860; i++) {
            System.out.println((char)i);
        }

它不是上升到 U+231F4，而是上升到 U+FFFF，并在打印到的文档中循环。如何让它转到更高的 Unicode ID？

Answer 1

[ OP 说“我需要把它升级到 U+231F4”，我回答了这个问题。但他们的意思是他们想要打印 Unicode 定义的 143,859 个代码点。看另一个答案。我现在不能删除这个 它已被接受。 ]

Java 字符串不是由 Unicode 代码点构成，而是由 UTF-16 代码单元构成。对于 U+FFFF 以上的 Unicode 代码点，您需要使用代理对。例如，

     U+0   ⇒   0x0000            ⎫
     U+1   ⇒   0x0001            ⎪
           ⋮                      ⎬ Character in the BMP result
  U+D7FE   ⇒   0xD7FE            ⎪   in a single UTF-16 code unit.
  U+D7FF   ⇒   0xD7FF            ⎭

  U+D800   ⇒   ------            ⎫
  U+D801   ⇒   ------            ⎪
           ⋮                      ⎬ Can't be encoded using UTF-16.
  U+DFFE   ⇒   ------            ⎪   Illegal for interchange for this reason.
  U+DFFF   ⇒   ------            ⎭

  U+E000   ⇒   0xE000            ⎫
  U+E001   ⇒   0xE001            ⎪
           ⋮                      ⎬ Character in the BMP result
  U+FFFE   ⇒   0xFFFE            ⎪   in a single UTF-16 code unit.
  U+FFFF   ⇒   0xFFFF            ⎭

 U+10000   ⇒   0xD800, 0xDC00    ⎫
 U+10001   ⇒   0xD800, 0xDC01    ⎪
           ⋮                      ⎬ Those outside result in two.
 U+231F2   ⇒   0xD84C, 0xDDF2    ⎪
 U+231F3   ⇒   0xD84C, 0xDDF3    ⎭

 U+231F4   ⇒   0xD84C, 0xDDF4    ⎫
 U+231F5   ⇒   0xD84C, 0xDDF5    ⎪
           ⋮                      ⎬ We don't care about these.
U+10FFFE   ⇒   0xDBFF, 0xDFFE    ⎪
U+10FFFF   ⇒   0xDBFF, 0xDFFF    ⎭

有关代理对的详细信息，您可以查阅UTF-16 的维基百科页面。

解决方案 1：printf %c

这些细节无关紧要，因为我们可以使用 printf %c 将 Unicode 代码点编码为 UTF-16 代码单元。 （感谢@VGR。）

for (int cp=0; cp<0x231F4; ++cp) {
   if (cp < 0xD800 || cp >= 0xE000) {
      System.out.printf("%c%n", cp);
   }
}

优化：

for (int cp=0; cp<0xD800; ++cp) {
   System.out.println((char)cp);
}

for (int cp=0xE000; cp<0x10000; ++cp) {
   System.out.println((char)cp);
}

for (int cp=0x10000; cp<0x231F4; ++cp) {
   System.out.printf("%c%n", cp);
}

解决方案 2：Character.toChars

或者，我们可以使用Character.toChars(codePoint) 生成包含Unicode 代码点的UTF-16 代码单元的char[]。

for (int cp=0; cp<0x231F4; ++cp) {
   if (cp < 0xD800 || cp >= 0xE000) {
      System.out.println(Character.toChars(cp));
   }
}

优化：

for (int cp=0; cp<0xD800; ++cp) {
   System.out.println((char)cp);
}

for (int cp=0xE000; cp<0x10000; ++cp) {
   System.out.println((char)cp);
}

for (int cp=0x10000; cp<0x231F4; ++cp) {
   System.out.println(Character.toChars(cp));
}

我相信上面仍然会创建很多数组。自己实现转换可以避免这种情况，因此应该更快。

// Up to but excluding U+231F4 ⇒ 0xD84C, 0xDDF4

for (int cp=0; cp<0xD800; ++cp) {
   System.out.println((char)cp);
}

for (int cp=0xE000; cp<0x10000; ++cp) {
   System.out.println((char)cp);
}

char pair[2];
for (int hisurro=0xD800; hisurro<0xD84C; ++hisurro) 
   pair[0] = (char)hisurro;
   for (int losurro=0xDC00; losurro<0xE000; ++losurro) 
      pair[1] = (char)losurro;
      System.out.println(pair);
   }
}

pair[0] = 0xD84C;
for (int losurro=0xDC00; losurro<0xDDF4; ++losurro) 
   pair[1] = (char)losurro;
   System.out.println(pair);
}

---

请注意，结果不会在您的终端中完全可读。输出包括不可打印字符（例如控制字符）、标记（与其他字符组合）、未分配的代码点、私人使用的代码点等。

Answer 2

tl;博士

这里是单线。 （为了好玩，不是我推荐的。）

IntStream
        .rangeClosed( 0 , Character.MAX_CODE_POINT )
        .filter(
                codePoint ->
                        !
                                List
                                        .of( Character.CONTROL , Character.FORMAT , Character.SURROGATE , Character.PRIVATE_USE , Character.UNASSIGNED )
                                        .contains( ( byte ) Character.getType( codePoint ) )
        )
        .forEach(
           codePoint -> System.out.println( codePoint + " code point is named: " + Character.getName( codePoint ) + " = " + Character.toString( codePoint ) )
        )
;

运行时。

32 code point is named: SPACE =  
33 code point is named: EXCLAMATION MARK = !
34 code point is named: QUOTATION MARK = "
…
917997 code point is named: VARIATION SELECTOR-254 = ?
917998 code point is named: VARIATION SELECTOR-255 = ?
917999 code point is named: VARIATION SELECTOR-256 = ?

避免char

Java 中的 char 类型已过时。该数据类型甚至无法表示 Unicode 中定义并受 Java 支持的一半字符。

Java 现在提供对代码点的全面支持。不幸的是，这种支持并不明显，多年后已在 Character、String 和 StringBuilder 类中使用老化的 API。你必须回顾过去涉及char的过时方法。

使用代码点

养成使用 Unicode code point 整数的习惯，不使用任何 char。代码点是分配给 Unicode 定义的 143,859 个字符中的每一个字符的数字。

这些代码点编号的分配范围为 0 到 10FFFF 十六进制，0 到 1,114,111 十进制。显然，这一百万范围内的大部分都是空的，要么当前未分配，要么留作私人使用的储备。

你说：

但是我需要把它升级到 U+231F4。

不，您需要转到 U+10FFFF（十进制 1,114,111）。

顺便说一句，Unicode 一直在增长。因此，不要执着于诸如 143,860 之类的字符数。我们永远不会有太多的表情符号！还有一些严肃的角色还在添加中。

所以你的循环：

for (int i = 0; i < 143_860; i++) {  // NO! Wrong limit. 

... 需要将其限制从 143_860 更改为 1_114_111 十进制（10FFFF 十六进制）。

for (int i = 0; i < 1_114_111; i++) { // YES! Correct limit.

或者，对于这个限制，使用常量Character.MAX_CODE_POINT。

for (int i = 0; i < Character.MAX_CODE_POINT; i++) {  // Use named constant rather than "magic" mystery number.

还有一件事……MAX_CODE_POINT 包含，所以我们应该测试“小于或等于”而不是“小于”。将< 更改为<=。

for (int i = 0; i <= Character.MAX_CODE_POINT; i++) {  // Use named constant rather than "magic" mystery number.

Character 类可以告诉我们是否为code point is valid。从 0 到最大 1,114,111 的所有代码点都是有效数字。负数和超过最大值的数字无效。

同一个类可以告诉我们一个代码点代表什么类型的字符。 Unicode 标准定义了 30 种，正式称为“通用类别”。这些类别在Character 类中定义为命名常量，不幸的是与其他不同的常量混合在一起。

我们想跳过其中的某些类别，特别是五个：

• Character.CONTROL
• Character.FORMAT
• Character.SURROGATE
• Character.PRIVATE_USE
• Character.UNASSIGNED

要确定代码点的类别，请调用Character.getType。不幸的是，该方法仅返回 int 而不是专用的枚举对象。

如上所示，Character 类为通用类别定义了各种byte 常量，但无法将getType 返回的数字轻松转换为类别名称。请参阅相关问题How to get the category name of the character type in Java?。 There is a feature-request 在书上，但尚未实施。所以我们必须自己动手。

这里我们使用一个名为unicodeGeneralCategoryCodesToAvoid 的Byte 对象列表，其中一个元素对应五个感兴趣的常量。

要从代码点 int 数字移动到实际字符，请调用 Character.toString( codePoint ) 以生成包含单个字符的 String。

要获取 Unicode 标准定义的字符的正式名称，请调用 Character.getName( codePoint )。

List < Byte > unicodeGeneralCategoryCodesToAvoid = List.of( Character.CONTROL , Character.FORMAT , Character.SURROGATE , Character.PRIVATE_USE , Character.UNASSIGNED );
for ( int codePoint = 0 ; codePoint <= Character.MAX_CODE_POINT ; codePoint++ ) {
    if ( Character.isValidCodePoint( codePoint ) )    // If code point is valid.
    {
        if ( unicodeGeneralCategoryCodesToAvoid.contains( ( byte ) Character.getType( codePoint ) ) ) // If control character or if unassigned code point, skip it.
        {
            // No code needed. Skip over this code point as it does not represent a printable character.
        } else {
            System.out.println( codePoint + " code point is named: " + Character.getName( codePoint ) + " = " + Character.toString( codePoint ) );
        }
    } else {
        System.out.println( "ERROR - Invalid code point number: " + codePoint );
    }
}

运行时。

INFO - Demo starting. 
32 code point is named: SPACE =  
33 code point is named: EXCLAMATION MARK = !
34 code point is named: QUOTATION MARK = "
35 code point is named: NUMBER SIGN = #
36 code point is named: DOLLAR SIGN = $
37 code point is named: PERCENT SIGN = %
…
123 code point is named: LEFT CURLY BRACKET = {
124 code point is named: VERTICAL LINE = |
125 code point is named: RIGHT CURLY BRACKET = }
126 code point is named: TILDE = ~
160 code point is named: NO-BREAK SPACE =  
161 code point is named: INVERTED EXCLAMATION MARK = ¡
162 code point is named: CENT SIGN = ¢
…
917997 code point is named: VARIATION SELECTOR-254 = ?
917998 code point is named: VARIATION SELECTOR-255 = ?
917999 code point is named: VARIATION SELECTOR-256 = ?
INFO - Demo ending. 

---

有关我处理 Unicode 通用类别的更多代码，请参阅问题my AnswerHow to get the category name of the character type in Java?。