HOWTO · Java
Unicode-Zeichen aus der Nummer in Java abrufen
Dieser Artikel stellt vor, wie man Unicode-Zeichen aus seiner Nummer in Java erhält.
Auf dieser Seite
Ein Java-char speichert eine 16-Bit-UTF-16-Codeeinheit, während ein Unicode-Codepoint einen oder zwei char-Werte benötigen kann. Für einen als int gespeicherten Codepoint verwenden Sie Character.toChars() und umschließen das zurückgegebene Array mit String.valueOf(). Das funktioniert sowohl für Codepoints aus der BMP als auch für ergänzende Codepoints. Ein Cast auf char eignet sich nur, wenn der Wert in eine Codeeinheit passt; bei einem ergänzenden Codepoint verwirft der Cast die höherwertigen Bits.
Unicode-Codepoints und Java-char-Werte verstehen
Ein Codepoint ist eine Zahl, die einem Unicode-Zeichen oder einer reservierten Position zugeordnet ist. Java-Strings speichern UTF-16-Codeeinheiten. Deshalb entspricht die Anzahl der char-Werte in einem String nicht immer der Anzahl seiner Codepoints. Ein BMP-Codepoint wird in einem char codiert; ein ergänzender Codepoint wird als Paar aus einem hohen und einem niedrigen Surrogat codiert. Werden die Surrogate einzeln behandelt, entsteht nicht das ursprüngliche Zeichen.
Der Codepoint-Bereich von Java reicht von 0 bis 0x10FFFF. Unicode-Skalarwerte schließen den Surrogatbereich von 0xD800 bis 0xDFFF aus. Anwendungen, die beliebige Zahlen aus Benutzereingaben übernehmen, müssen diese Werte daher möglicherweise ebenfalls zurückweisen. Character.isValidCodePoint(int) prüft den Zahlenbereich, aber nicht, ob ein Wert ein Unicode-Skalarwert ist.
Einen BMP-Codepoint in einen String umwandeln
Bei einem BMP-Wert, der ein Zeichen darstellt, ergibt der Cast auf char die entsprechende einzelne UTF-16-Codeeinheit. String.valueOf(char) erstellt daraus einen String mit einer Codeeinheit. Zum Beispiel lässt sich der Codepoint 0x2202 (das Symbol für die partielle Ableitung) mit String.valueOf((char) 0x2202) umwandeln. Verwenden Sie diese Abkürzung nur für BMP-Werte: Ein Java-Cast verkleinert den Integer und prüft ihn nicht. Ergänzende Werte können dadurch unbemerkt verändert werden.
Einen beliebigen Codepoint in einen String umwandeln
Verwenden Sie für die allgemeine Umwandlung Character.toChars(int). Bei einem BMP-Wert gibt die Methode ein Array mit einem Element zurück, bei einem ergänzenden Wert ein Array mit einem Surrogatpaar aus zwei Elementen. String.valueOf(char[]) wandelt beide Ergebnisse in einen String um, ohne das Paar zu verlieren. Zum Beispiel stellt Character.toChars(0x1F642) das leicht lächelnde Gesicht mit zwei UTF-16-Codeeinheiten dar, obwohl es nur ein Codepoint ist. Daher ist die length() des resultierenden Strings zwei, während codePointCount(0, string.length()) den Wert eins ergibt.
Führen Sie dieses Beispiel aus:
Der Code und die angezeigten Bezeichnungen oder Ausgaben in diesem Abschnitt bleiben auf Englisch.
public class UnicodeCodePoint {
public static void main(String[] args) {
int codePoint = 0x1F642;
String value = String.valueOf(Character.toChars(codePoint));
System.out.println(value);
}
}
Die freigegebene erwartete Ausgabe ist 🙂. Die Java-Beispielzeile bleibt unverändert; die Bezeichnung innerhalb des byte-identischen Codeblocks bleibt auf Englisch.
🙂
Bevor Sie Integerwerte aus externen Eingaben umwandeln, rufen Sie Character.isValidCodePoint(codePoint) auf und behandeln Sie Werte außerhalb des unterstützten Bereichs. Character.toChars() weist einen Wert außerhalb dieses Bereichs ebenfalls mit IllegalArgumentException zurück; der Cast-Ansatz bietet diesen Schutz nicht.
Einen hexadezimalen Codepoint einlesen
Wenn die Eingabe als hexadezimaler Text vorliegt, parsen Sie sie mit Radix 16 und übergeben Sie den resultierenden Integer an die allgemeine Umwandlung. Beispielsweise parst Integer.parseInt("1F642", 16) die Ziffern ohne ein 0x-Präfix; String.valueOf(Character.toChars(parsed)) erstellt daraus den String. Bei fehlerhaftem Text oder einem Wert, der zu groß für einen int ist, meldet Integer.parseInt eine NumberFormatException. Prüfen Sie nach dem Parsen trotzdem den Unicode-Bereich, da viele gültige Integer keine Codepoints sind. Ein geparster Wert im Surrogatbereich liegt zwar numerisch innerhalb des Java-Codepoint-Bereichs, ist aber kein Unicode-Skalarwert. Behandeln Sie Fehler beim Parsen und bei der Bereichsprüfung, wenn die Eingabe nicht vertrauenswürdig ist.