HOWTO · Java

Obtenga caracteres Unicode de su número en Java

Este artículo presenta cómo obtener caracteres Unicode de su número en Java.

En esta página

Un char de Java almacena una unidad de código UTF-16 de 16 bits, mientras que un punto de código Unicode puede necesitar uno o dos valores char. Si el punto de código está guardado en un int, usa Character.toChars() y envuelve la matriz resultante con String.valueOf(). Este enfoque sirve tanto para puntos de código del BMP como para los suplementarios. Una conversión a char solo es adecuada cuando el valor cabe en una unidad de código; al convertir un valor suplementario se descartan sus bits superiores.

Comprender los puntos de código Unicode y los valores char de Java

Un punto de código es un número asignado a un carácter Unicode o a una posición reservada. Las cadenas de Java almacenan unidades de código UTF-16, por lo que la cantidad de valores char de una cadena no siempre coincide con la cantidad de puntos de código que contiene. Un punto de código del plano multilingüe básico (BMP) se codifica en un char; uno suplementario se codifica mediante un par de sustitutos, uno alto y otro bajo. Tratar cada sustituto por separado no produce el carácter original.

El intervalo de puntos de código admitido por Java va de 0 a 0x10FFFF. Los valores escalares de Unicode excluyen el intervalo de sustitutos, de 0xD800 a 0xDFFF; por eso, las aplicaciones que aceptan números arbitrarios del usuario quizá también deban rechazar esos valores. Character.isValidCodePoint(int) comprueba que el número esté dentro del intervalo permitido, pero no determina si es un valor escalar Unicode.

Convertir un punto de código del BMP en una cadena

Para un valor del BMP que represente un carácter, convertirlo a char produce su única unidad de código UTF-16. Después, String.valueOf(char) crea una cadena de una unidad. Por ejemplo, el punto de código 0x2202 (el símbolo de derivada parcial) se puede convertir con String.valueOf((char) 0x2202). Limita este atajo a los valores del BMP: la conversión de Java reduce el entero y no lo valida, por lo que los valores suplementarios pueden cambiar sin aviso.

Convertir cualquier punto de código en una cadena

Para una conversión general, usa Character.toChars(int). El método devuelve una matriz de un elemento para un valor del BMP y una matriz de dos elementos con un par de sustitutos para un valor suplementario. String.valueOf(char[]) convierte cualquiera de esos resultados en una cadena sin perder el par. Por ejemplo, Character.toChars(0x1F642) representa la cara ligeramente sonriente como dos unidades de código UTF-16, aunque sea un solo punto de código. Por eso, la cadena resultante tiene una longitud de dos según length(), mientras que codePointCount(0, string.length()) devuelve uno.

Ejecuta este ejemplo:

El código y las etiquetas o salidas visibles de esta sección se mantienen en inglés.

public class UnicodeCodePoint {
  public static void main(String[] args) {
    int codePoint = 0x1F642;
    String value = String.valueOf(Character.toChars(codePoint));
    System.out.println(value);
  }
}

La ejecución aprobada produce esta salida:

🙂

El programa imprime 🙂, representado por el punto de código 0x1F642. El ejemplo y las etiquetas visibles de los bloques se conservan en inglés. Antes de convertir una entrada externa de tipo entero, llama a Character.isValidCodePoint(codePoint) y gestiona los valores que queden fuera del intervalo admitido. Character.toChars() también rechaza los valores fuera de rango mediante IllegalArgumentException; la conversión a char no ofrece esa protección.

Analizar un punto de código hexadecimal

Si la entrada llega como texto hexadecimal, analízala en base 16 y pasa el entero obtenido a la conversión general. Por ejemplo, Integer.parseInt("1F642", 16) analiza los dígitos sin un prefijo 0x, y String.valueOf(Character.toChars(parsed)) crea la cadena. Integer.parseInt lanza NumberFormatException si el texto no tiene un formato válido o si el valor es demasiado grande para un int. Después de analizarlo, comprueba igualmente el intervalo Unicode, porque muchos enteros válidos no son puntos de código. Un valor analizado que esté en el intervalo de sustitutos se encuentra numéricamente dentro del rango de puntos de código de Java, pero no es un valor escalar Unicode. Cuando la entrada no sea de confianza, gestiona tanto los errores de análisis como los de validación del rango.