如何解决如何在Java中使用Unicode字符填充字符串 String类报告的长度错误组合字符
for (String[] tuple : testData) {
System.out.format("%-32s -> %s\n",tuple[0],tuple[1]);
}
结果如下所示(随机测试数据):
znZfmOEQ0Gb68taaNU6HY21lvo -> Xq2aGqLedQnTSXg6wmBNDVb
frKweMCH8Kvgyk0J -> lHJ5r7YDV0jTL
NxtHP -> odvPJklwIzZZ
NX2scXjl5dxWmer -> wPDlKCKllVKk
x2HKsSHCqDQ -> RMuWLZ2vaP9sOF0yHmjVysJ
b0hryXKd6b80xAI -> 05MHjvTOxlxq1bvQ8RGe
当存在多字节unicode字符时,此方法不起作用:
0OZot??ivbyG?hZM1FI?wNhn6r6cC -> OKDxDV1o2NMqXH3VvE7q3uONwEcY5V
fBHRCjU4K8OCdzACmQZSn6WO -> gvGBtUO5a4gPMKj9BKqBHFKx1iO7
cDUh??b0cXkLWkS -> SZX
WtP9t -> Q0wwoeY3W66mM5rcQQYKpG
va4d?u8SS -> KI
a71?⚖TZ??♀?ws5J -> b8A
如您所见,对齐方式已关闭。
我的想法是计算String的长度和使用的字节数之间的差,并使用它来抵消填充,如下所示:
int correction = tuple[0].getBytes().length - tuple[0].length();
然后我将填充到32 + correction
,而不是填充到32个字符。但是,这也不起作用。
这是我的测试代码(使用emoji-java,但该行为应该可以用任何unicode字符重现):
import java.util.Collection;
import org.apache.commons.lang3.RandomStringUtils;
import com.vdurmont.emoji.Emoji;
import com.vdurmont.emoji.EmojiManager;
public class Test {
public static void main(String[] args) {
// create random test data
String[][] testData = new String[15][2];
for (String[] tuple : testData) {
tuple[0] = RandomStringUtils.randomAlphanumeric(2,32);
tuple[1] = RandomStringUtils.randomAlphanumeric(2,32);
}
// add some emojis
Collection<Emoji> all = EmojiManager.getAll();
for (String[] tuple : testData) {
for (int i = 1; i < tuple[0].length(); i++) {
if (Math.random() > 0.90) {
Emoji emoji = all.stream().skip((int) (all.size() * Math.random())).findFirst().get();
tuple[0] = tuple[0].substring(0,i - 1) + emoji.getUnicode() + tuple[0].substring(i + 1);
}
}
}
// output
for (String[] tuple : testData) {
System.out.format("%-32s -> %s\n",tuple[1]);
}
}
}
解决方法
实际上,这里存在一些问题,除了某些字体显示的标志比其他字符更宽之外。我假设您要将中国国旗算作一个字符(因为它在屏幕上被绘制为一个元素)。
String类报告的长度错误
String类可用于char
,它们是Unicode代码点的16位整数。问题在于,并非所有代码点都适合16位,而只有基本多语言平面(BMP)中的代码点适合于这些char
中。 String
的{{1}}方法返回length()
的数量,而不是代码点的数量。
现在,char
的{{1}}方法在这种情况下可能会有所帮助:它计算给定索引范围内的代码点数。因此,向该方法提供String
作为第二个参数将返回代码点的总数。
组合字符
但是,还有另一个问题。例如,“??”中文标志由两个Unicode代码点组成:区域指示符字母C(?,U + 1F1E8)和N(?,U + 1F1F3)。这两个代码点合并成一个中国国旗。这是您无法使用codePointCount
方法解决的问题。
区域指示器符号字母seem是一个特殊的场合。这些字符中的两个可以组合成一个国旗。我不知道实现您想要的标准方法。您可能需要手动考虑这一点。
我写了一个小程序来获取字符串的长度。
string.length()
,
正如@Xehpuk所链接的问题中的评论所讨论的那样,在kotlinlang.org上的this discussion以及Daniel Lemire的本博客中,以下似乎是正确的:>
问题是java String类将字符表示为 UTF-16字符。这意味着任何Unicode字符 由16位以上的位表示的另存为2个单独的Char值。 这个事实被String中的许多函数所忽略,例如。 String.lenght不返回Unicode字符数,它 返回字符串中16位字符的数量,一些表情符号 数2个字符。
但是,该行为似乎是特定于实现的。
正如David在他的帖子中提到的,您可以尝试以下操作以获取正确的长度:
tuple.codePointCount(0,tuple.length())
请参见Java SE文档中的code point methods
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。