(28) 剖析包装类 (下) / 计算机程序的思维逻辑

本节探讨Character类,它的基本用法我们在包装类第一节已经介绍了,本节不再赘述。Character类除了封装了一个char外,还有什么可介绍的呢?它有很多静态方法,封装了Unicode字符级别的各种操作,是Java文本处理的基础,注意不是char级别,Unicode字符并不等同于char,本节详细介绍这些方法以及相关的Unicode知识。

在介绍这些方法之前,我们需要回顾一下字符在Java中的表示方法,我们在第六节、第七节、第八节介绍过编码、Unicode、char等知识,我们先简要回顾一下。

Unicode基础

Unicode给世界上每个字符分配了一个编号,编号范围从0x000000到0x10FFFF。编号范围在0x0000到0xFFFF之间的字符,为常用字符集,称BMP(Basic Multilingual Plane)字符。编号范围在0x10000到0x10FFFF之间的字符叫做增补字符(supplementary character)。

Unicode主要规定了编号,但没有规定如果把编号映射为二进制,UTF-16是一种编码方式,或者叫映射方式,它将编号映射为两个或四个字节,对BMP字符,它直接用两个字节表示,对于增补字符,使用四个字节,前两个字节叫高代理项(high surrogate),范围从0xD800到0xDBFF,后两个字节叫低代理项(low surrogate),范围从0xDC00到0xDFFF,UTF-16定义了一个公式,可以将编号与四字节表示进行相互转换。

Java内部采用UTF-16编码,char表示一个字符,但只能表示BMP中的字符,对于增补字符,需要使用两个char表示,一个表示高代理项,一个表示低代理项。

使用int可以表示任意一个Unicode字符,低21位表示Unicode编号,高11位设为0。整数编号在Unicode中一般称为代码点(Code Point),表示一个Unicode字符,与之相对,还有一个词代码单元(Code Unit)表示一个char。

Character类中有很多相关静态方法,让我们来看一下。

检查code point和char

判断一个int是不是一个有效的代码单元:

public static boolean isValidCodePoint(int codePoint) 

小于等于0x10FFFF的为有效,大于的为无效。

判断一个int是不是BMP字符:

public static boolean isBmpCodePoint(int codePoint) 

小于等于0xFFFF的为BMP字符,大于的不是。

判断一个int是不是增补字符:

public static boolean isSupplementaryCodePoint(int codePoint)

0x010000和0X10FFFF之间的为增补字符。

判断char是否是高代理项:

public static boolean isHighSurrogate(char ch) 

0xD800到0xDBFF为高代理项。

判断char是否为低代理项:

public static boolean isLowSurrogate(char ch) 

0xDC00到0xDFFF为低代理项。

判断char是否为代理项:

public static boolean isSurrogate(char ch) 

char为低代理项或高代理项,则返回true。

判断两个字符high和low是否分别为高代理项和低代理项:

public static boolean isSurrogatePair(char high, char low) 

判断一个代码单元由几个char组成:

public static int charCount(int codePoint) 

增补字符返回2,BMP字符返回1。

code point与char的转换

除了简单的检查外,Character类中还有很多方法,进行code point与char的相互转换。

根据高代理项high和低代理项low生成代码单元:

public static int toCodePoint(char high, char low)

这个转换有个公式,这个方法封装了这个公式。

根据代码单元生成char数组,即UTF-16表示:

public static char[] toChars(int codePoint) 

如果code point为BMP字符,则返回的char数组长度为1,如果为增补字符,长度为2,char[0]为高代理项,char[1]为低代理项。

将代码单元转换为char数组:

public static int toChars(int codePoint, char[] dst, int dstIndex) 

与上面方法类似,只是结果存入指定数组dst的指定位置index。

对增补字符code point,生成高代理项和低代理项:

public static char lowSurrogate(int codePoint)
public static char highSurrogate(int codePoint) 

按code point处理char数组或序列

Character包含若干方法,以方便按照code point来处理char数组或序列。

返回char数组a中从offset开始count个char包含的code point个数:

public static int codePointCount(char[] a, int offset, int count) 

比如说,如下代码输出为2,char个数为3,但code point为2。

char[] chs = new char[3];
chs[0] = '马';
Character.toChars(0x1FFFF, chs, 1);
System.out.println(Character.codePointCount(chs, 0, 3));

除了接受char数组,还有一个重载的方法接受字符序列CharSequence:

public static int codePointCount(CharSequence seq, int beginIndex, int endIndex)

CharSequence是一个接口,它的定义如下所示:

public interface CharSequence {
    int length();
    char charAt(int index);
    CharSequence subSequence(int start, int end);
    public String toString();
}

它与一个char数组是类似的,有length方法,有charAt方法根据索引获取字符,String类就实现了该接口。

返回char数组或序列中指定索引位置的code point:

public static int codePointAt(char[] a, int index)
public static int codePointAt(char[] a, int index, int limit) 
public static int codePointAt(CharSequence seq, int index) 

如果指定索引位置为高代理项,下一个位置为低代理项,则返回两项组成的code point,检查下一个位置时,下一个位置要小于limit,没传limit时,默认为a.length。

返回char数组或序列中指定索引位置之前的code point:

public static int codePointBefore(char[] a, int index)
public static int codePointBefore(char[] a, int index, int start) 
public static int codePointBefore(CharSequence seq, int index)

与codePointAt不同,codePoint是往后找,codePointBefore是往前找,如果指定位置为低代理项,且前一个位置为高代理项,则返回两项组成的code point,检查前一个位置时,前一个位置要大于等于start,没传start时,默认为0。

根据code point偏移数计算char索引:

public static int offsetByCodePoints(char[] a, int start, int count,
                                         int index, int codePointOffset) 
public static int offsetByCodePoints(CharSequence seq, int index,
                                         int codePointOffset)

如果字符数组或序列中没有增补字符,返回值为index+codePointOffset,如果有增补字符,则会将codePointOffset看做code point偏移,转换为字符偏移,start和count取字符数组的子数组。

比如,我们看如下代码:

char[] chs = new char[3];
Character.toChars(0x1FFFF, chs, 1);
System.out.println(Character.offsetByCodePoints(chs, 0, 3, 1, 1));

输出结果为3,index和codePointOffset都为1,但第二个字符为增补字符,一个code point偏移是两个char偏移,所以结果为3。

字符属性

我们之前说,Unicode主要是给每个字符分配了一个编号,其实,除了分配编号之外,还分配了一些属性,Character类封装了对Unicode字符属性的检查和操作,我们来看一些主要的属性。

获取字符类型(general category):

public static int getType(int codePoint) 

public static int getType(char ch)

Unicode给每个字符分配了一个类型,这个类型是非常重要的,很多其他检查和操作都是基于这个类型的。

getType方法的参数可以是int类型的code point,也可以是char类型,char只能处理BMP字符,而int可以处理所有字符,Character类中很多方法都是既可以接受int,也可以接受char,后续只列出int类型的方法。

返回值是int,表示类型,Character类中定义了很多静态常量表示这些类型,下表列出了一些字符,type值,以及Character类中常量的名称:

字符

type值

常量名称

'A'

1

UPPERCASE_LETTER

'a'

2

LOWERCASE_LETTER

'马'

5

OTHER_LETTER

'1'

9

DECIMAL_DIGIT_NUMBER

' '

12

SPACE_SEPARATOR

'\n'

15

CONTROL

'-'

20

DASH_PUNCTUATION

'{'

21

START_PUNCTUATION

'_'

23

CONNECTOR_PUNCTUATION

'&'

24

OTHER_PUNCTUATION

'<'

25

MATH_SYMBOL

'$'

26

CURRENCY_SYMBOL

检查字符是否在Unicode中被定义:

public static boolean isDefined(int codePoint) 

每个被定义的字符,其getType()返回值都不为0,如果返回值为0,表示无定义。注意与isValidCodePoint的区别,后者只要数字不大于0x10FFFF都返回true。

检查字符是否为数字:

public static boolean isDigit(int codePoint)

getType()返回值为DECIMAL_DIGIT_NUMBER的字符为数字,需要注意的是,不光字符'0','1',...'9'是数字,中文全角字符的0到9,即'0','1','9'也是数字。比如说:

char ch = '9'; //中文全角数字
System.out.println((int)ch+","+Character.isDigit(ch));

输出为:

65305,true

全角字符的9,Unicode编号为65305,它也是数字。

检查是否为字母(Letter):

public static boolean isLetter(int codePoint)

如果getType()的返回值为下列之一,则为Letter:

UPPERCASE_LETTER 
LOWERCASE_LETTER
TITLECASE_LETTER
MODIFIER_LETTER
OTHER_LETTER

除了TITLECASE_LETTER和MODIFIER_LETTER,其他我们上面已经看到过了,而这两个平时碰到的也比较少,就不介绍了。

检查是否为字母或数字

public static boolean isLetterOrDigit(int codePoint)

只要其中之一返回true就返回true。

检查是否为字母(Alphabetic)

public static boolean isAlphabetic(int codePoint)

这也是检查是否为字母,与isLetter的区别是,isLetter返回true时,isAlphabetic也必然返回true,此外,getType()值为LETTER_NUMBER时,isAlphabetic也返回true,而isLetter返回false。Letter_NUMBER中常见的字符有罗马数字字符,如:'Ⅰ','Ⅱ','Ⅲ','Ⅳ'。

检查是否为空格字符

public static boolean isSpaceChar(int codePoint)

getType()值为SPACE_SEPARATOR,LINE_SEPARATOR和PARAGRAPH_SEPARATOR时,返回true。这个方法其实并不常用,因为它只能严格匹配空格字符本身,不能匹配实际产生空格效果的字符,如tab控制键'\t'。

更常用的检查空格的方法

public static boolean isWhitespace(int codePoint) 

'\t','\n',全角空格' ',和半角空格' '的返回值都为true。

检查是否为小写字符

public static boolean isLowerCase(int codePoint) 

常见的主要就是小写英文字母a到z。

检查是否为大写字符

public static boolean isUpperCase(int codePoint)

常见的主要就是大写英文字母A到Z。

检查是否为表意象形文字

public static boolean isIdeographic(int codePoint) 

大部分中文都返回为true。

检查是否为ISO 8859-1编码中的控制字符

public static boolean isISOControl(int codePoint) 

我们在第6节介绍过,0到31,127到159表示控制字符。

检查是否可作为Java标示符的第一个字符

public static boolean isJavaIdentifierStart(int codePoint) 

Java标示符是Java中的变量名、函数名、类名等,字母(Alphabetic),美元符号($),下划线(_)可作为Java标示符的第一个字符,但数字字符不可以。

检查是否可作为Java标示符的中间字符

public static boolean isJavaIdentifierPart(int codePoint) 

相比isJavaIdentifierStart,主要多了数字字符,中间可以有数字。

检查是否为镜像(mirrowed)字符

public static boolean isMirrored(int codePoint)

常见镜像字符有( ) { } < > [ ],都有对应的镜像。

字符转换

Unicode除了规定字符属性外,对有大小写对应的字符,还规定了其对应的大小写,对有数值含义的字符,也规定了其数值。

我们先来看大小写,Character有两个静态方法,对字符进行大小写转换:

public static int toLowerCase(int codePoint)
public static int toUpperCase(int codePoint)

这两个方法主要针对英文字符a-z和A-Z, 例如:toLowerCase('A')返回'a',toUpperCase('z')返回'Z'。

返回一个字符表示的数值:

public static int getNumericValue(int codePoint) 

字符'0'到'9'返回数值0到9,对于字符a到z,无论是小写字符还是大写字符,无论是普通英文还是中文全角,数值结果都是10到35,例如,如下代码的输出结果是一样的,都是10。

System.out.println(Character.getNumericValue('A')); //全角大写A
System.out.println(Character.getNumericValue('A'));
System.out.println(Character.getNumericValue('a')); //全角小写a
System.out.println(Character.getNumericValue('a'));

返回按给定进制表示的数值:

public static int digit(int codePoint, int radix) 

radix表示进制,常见的有2/8/10/16进制,计算方式与getNumericValue类似,只是会检查有效性,数值需要小于radix,如果无效,返回-1,例如:

digit('F',16)返回15,是有效的,但digit('G',16)就无效,返回-1。

返回给定数值的字符形式

public static char forDigit(int digit, int radix) 

与digit(int codePoint, int radix)相比,进行相反转换,如果数字无效,返回'\0'。例如,Character.forDigit(15, 16)返回'F'。

与Integer类似,Character也有按字节翻转:

public static char reverseBytes(char ch)

例如,翻转字符0x1234:

System.out.println(Integer.toHexString(
                Character.reverseBytes((char)0x1234)));

输出为3412。

小结

本节详细介绍了Characer类以及相关的Unicode知识,Character类在Unicode字符级别,而非char级别,封装了字符的各种操作,通过将字符处理的细节交给Character类,其他类就可以在更高的层次上处理文本了。

至此,关于包装类我们就介绍完了。下一节,让我们在Character的基础上,进一步探索字符串类String。

原文发布于微信公众号 - 老马说编程(laoma_shuo)

原文发表时间:2016-07-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Python研发

go基础编程 day-2

  零值并不等于空值,而是当变量声明为某种来兴后的默认零值,通常情况下默认值为0,bool为false,string为空字符串。

1042
来自专栏谈补锅

JS面向对象笔记

0、匿名函数定以后直接调用:(function(numA, numB) { alert(numA + numB); })(3,4);//弹窗7

3095
来自专栏ml

c语言格式大整理

1、C语言中,非零值为真,真用1表示;零值为假,假用0表示。 2、转义字符参考: \a 蜂鸣,响铃  \b 回退:向后退一格 ...

4817
来自专栏鸿的学习笔记

python的迭代器和生成器

迭代是数据处理的基础,迭代可以理解为是一种惰性求值。在python里迭代器和生成器是一回事,使用的是yield关键字。

611
来自专栏一枝花算不算浪漫

[读书笔记]C#学习笔记四: C#2.0泛型 可控类型 匿名方法和迭代器

43011
来自专栏尾尾部落

[剑指offer] 链表中倒数第k个结点 [剑指offer] 链表中倒数第k个结点

经典的双指针法。定义两个指针,第一个指针从链表的头指针开始遍历向前走k-1步,第二个指针保持不动,从第k步开始,第二个指针也开始从链表的头指针开始遍历,由于两个...

952
来自专栏程序猿DD

第二章 正则表达式位置匹配攻略

第二章 正则表达式位置匹配攻略 正则表达式是匹配模式,要么匹配字符,要么匹配位置。请记住这句话。 然而大部分人学习正则时,对于匹配位置的重视程度没有那么高。 本...

20810
来自专栏专注研发

希尔排序(shell‘ sort)

希尔排序是1959 年由D.L.Shell 提出来的,相对直接排序有较大的改进。希尔排序又叫缩小增量排序

953
来自专栏程序员的知识天地

人生苦短:Python里的17个超赞操作

有时候,当我们要交换两个变量的值时,一种常规的方法是创建一个临时变量,然后用它来进行交换。比如:

741
来自专栏mathor

波兰表达式

1224

扫码关注云+社区