Bir Java Dizisinin unicode kod noktalarını nasıl yineleyebilirim?

Bu yüzden biliyorum String#codePointAt(int), ama charkod noktası ofsetiyle değil, ofsetle indeksleniyor .

Şöyle bir şey denemeyi düşünüyorum:

• bir dizinde String#charAt(int)almak için kullanarakchar
• olup olmadığını test charolan aralığı yükseği-suretler
  • eğer öyleyse, String#codePointAt(int)kod noktasını almak için kullanın ve dizini 2 artırın
  • değilse char, kod noktası olarak verilen değeri kullanın ve dizini 1 artırın

Ama endişelerim

• Doğal olarak yüksek vekiller aralığında bulunan kod noktalarının iki chardeğer olarak mı yoksa bir değer olarak mı depolanacağından emin değilim
• bu, karakterler arasında yinelemenin çok pahalı bir yolu gibi görünüyor
• birisi daha iyi bir şey bulmuş olmalı.

Evet, Java, Dizelerin dahili temsilleri için UTF-16-esque kodlaması kullanır ve evet, vekillik şemasını kullanarak Temel Çok Dilli Düzlem ( BMP ) dışındaki karakterleri kodlar .

BMP dışındaki karakterlerle uğraşacağınızı biliyorsanız, bir Java Dizesinin karakterleri üzerinde yineleme yapmanın kanonik yolu şu şekildedir:

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);
}

Kod noktalarını içeren CharSequence#codePointsbir döndüren Java 8 eklendi IntStream. Üzerinde yinelemek için akışı doğrudan kullanabilirsiniz:

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

veya akışı bir dizide toplayarak bir for döngüsü ile:

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

Bu yollar muhtemelen Jonathan Feinbergs'in çözümünden daha pahalıdır , ancak okuması / yazması daha hızlıdır ve performans farkı genellikle önemsiz olacaktır.

Kod noktaları üzerinde yineleme, Sun'a bir özellik isteği olarak dosyalanır.

Sun Bug Girişini Görün

Burada String CodePoints üzerinden nasıl yineleme yapılacağına dair bir örnek de var.

Foreach döngüleri ( ref ) ile çalışan bir geçici çözüm yöntemi ekleyeceğimi düşündüm , ayrıca java 8'e geçtiğinizde bunu java 8'in yeni String # codePoints yöntemine kolayca dönüştürebilirsiniz :

Bunu foreach ile şu şekilde kullanabilirsiniz:

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

İşte yardımcı yöntem:

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();
        }
      };
    }
  };
}

Veya alternatif olarak, bir dizeyi int dizisine dönüştürmek istiyorsanız (yukarıdaki yaklaşımdan daha fazla RAM kullanabilir):

 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;
  }

Neyse ki "codePoints" kullanır, UTF-16'nın vekil çiftini (java'nın dahili dizgi gösterimi) güvenli bir şekilde işler.